prophet需手动配置add_seasonality或add_country_holidays以建模非标准周期；输入dataframe必须严格满足ds（datetime64）和y（无nan）列名与类型要求；节假日需自定义holidays dataframe并设置上下窗口。
Prophet 能处理带多层季节性的时序预测，但默认只建模年季周三级周期；若数据含小时级、工作日/节假日等非标准周期，必须手动配置 add_seasonality 或 add_country_holidays，否则模型会漏掉关键模式。
确保输入 DataFrame 格式严格符合 Prophet 要求
Prophet 只认固定列名：ds（日期时间，datetime64 类型）和 y（数值目标）。常见错误包括：
-
ds列是字符串或object类型 → 用pd.to_datetime(df['ds'])强制转换 - 日期有重复或缺失 → Prophet 不自动插值，需提前用
resample或asfreq对齐频率 -
y含NaN→ 模型训练直接报错ValueError: Found NaN in column 'y'，必须显式填充或删除
用 add_seasonality 补充非默认周期
Prophet 默认启用周（7天）、年（365.25天）季节性，但像“每4小时一班的产线数据”或“每月1号促销效应”这类周期不会被自动识别。必须显式添加：
m = Prophet() m.add_seasonality(name='four_hourly', period=4.0, fourier_order=5) m.add_seasonality(name='monthly_peak', period=30.5, fourier_order=3)
注意：period 单位与 ds 频率一致（如 ds 是小时级，period=4.0 表示4小时）；fourier_order 过小会欠拟合，过大易过拟合——通常 3–10 之间试调，优先从 5 开始。
节假日效应要单独传入 DataFrame，不能只靠 country_holidays
add_country_holidays(country='CN') 只覆盖国家法定假日，但业务中常有自定义节点：比如“双11大促”“系统维护窗口”“新品上线日”。这些必须构造独立的 holidays DataFrame：
holidays = pd.DataFrame({
'holiday': ['double11', 'maintenance'],
'ds': pd.to_datetime(['2023-11-11', '2024-03-22']),
'lower_window': [-7, -2],
'upper_window': [1, 0]
})
m = Prophet(holidays=holidays)
lower_window 和 upper_window 定义影响范围（单位：天），负值表示节日前，正值表示节日后；若漏设，模型只拟合当天点，无法捕捉前置筹备或后续回落效应。
真正难的是把业务节奏翻译成 period 和 fourier_order 的数值组合——比如“每周三下午流量突增”不是简单加个 weekly 季节性就能解决，得拆成 weekly + daily + hourly 三层叠加，且每层的 fourier_order 都要单独验证残差图。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
