prophet拟合失败主因是ds列非datetime类型，须用pd.to_datetime强制转换并清除时区；节假日和促销日需显式添加；seasonality_mode选multiplicative需匹配销量量级变化；make_future_dataframe的periods是追加行数而非预测截止日。
Prophet 拟合失败时，ds 列必须是 datetime 类型
Prophet 对时间列 ds 的类型极其敏感。常见错误是传入字符串或 object 类型的日期列，导致报错 ValueError: Column ds has timezone-aware values, but timezone-naive values are expected 或直接拟合静默失败（loss 不下降）。这不是数据问题，是类型问题。
- 用
pd.to_datetime(df['ds'])强制转换，别依赖自动推断 - 检查是否含时区：若输出
datetime64[ns, UTC]，需先df['ds'] = df['ds'].dt.tz_localize(None) - 确保无空值、非法日期（如
'2025-02-30'），否则to_datetime会转成NaT，Prophet 会跳过整行
节假日和自定义季节性必须用 add_country_holidays 或 add_seasonality 显式注册
Prophet 默认只建模年/周季节性，不会自动识别春节、双十一大促或你司内部促销日。不显式添加，模型就当成普通波动拟合，预测必然偏移。
- 国家节假日用
m.add_country_holidays(country_name='CN')，注意拼写（'CN'可，'China'不可） - 自定义活动日需构造
pd.DataFrame，含ds（日期）、holiday（名称）两列，再传给m.add_seasonality(name='618', period=365.25, fourier_order=5)不起作用——那是为周期信号用的；真正要用的是m.add_regressor('is_618', mode='multiplicative')配合二值特征列 - 所有自定义 regressor 必须在训练和预测时都提供，否则
predict()报错KeyError
seasonality_mode 选 'multiplicative' 还是 'additive'？看销量量级是否随趋势放大
默认 'additive' 假设季节性波动绝对值稳定（比如每天多卖 200 件）。但实际中，大促期间销量翻倍，淡季只卖几百件——这时用加法模式会低估旺季、高估淡季。
- 观察历史数据：若销量从 1k → 10k 增长过程中，周末比工作日多卖的件数也从 +300 → +3000，则选
seasonality_mode='multiplicative' - 切记：一旦设为
multiplicative，所有 seasonality、holiday、regressor 的mode参数默认继承该模式，无需重复指定 - 但
changepoint_range和yearly_seasonality等开关参数不受此影响
预测未来时，make_future_dataframe 的 periods 是「额外生成的行数」，不是「预测到哪天」
新手常误以为 make_future_dataframe(periods=90) 会预测到今天 + 90 天，其实它是在已有 ds 最大值基础上追加 90 行——如果训练数据截止到 2024-06-01，那结果就是从 2024-06-02 到 2024-08-30，共 90 天。但若中间有缺失日期（如没传周末数据），它仍按日频补全，导致预测表里出现无意义的空行。
- 务必确认训练数据
ds是连续日期，否则先用df.set_index('ds').asfreq('D').reset_index()填充 - 若只需预测特定日期（如仅下个月 1–30 日），别用
make_future_dataframe，手动构造pd.date_range(start='2024-07-01', end='2024-07-30', freq='D')更可靠 -
include_history=False要显式设，否则返回结果含训练期，容易误用
真正卡住人的往往不是算法原理，而是 ds 类型、节假日注册方式、乘法模式下 regressor 的一致性、以及 future dataframe 的边界逻辑——这些点漏掉任意一个，模型就只是“跑通”，不是“跑准”。
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！
