开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

fable: Error：` `mutate()`输入`arima`出现问题

fable是一个R语言中的时间序列分析包，用于进行时间序列的建模和预测。它提供了一系列函数和工具，可以帮助用户进行时间序列数据的处理、建模和预测分析。

在使用fable包中的mutate()函数时，如果输入参数为arima，可能会出现问题。arima是一个用于时间序列建模的函数，它可以拟合ARIMA模型并进行预测。然而，由于mutate()函数的设计初衷是用于对数据进行变换和添加新的列，而不是用于时间序列建模，因此在输入arima时可能会导致错误。

解决这个问题的方法是使用fable包中专门用于时间序列建模的函数，如ARIMA()或model()。这些函数可以更好地处理时间序列建模的需求，并提供更准确的结果。

关于fable包的更多信息和使用方法，可以参考腾讯云提供的R语言云计算平台，例如腾讯云的云服务器CVM和云数据库MySQL，可以提供稳定可靠的计算和存储环境，以支持R语言和fable包的使用。

腾讯云产品链接：

相关搜索:purrr循环:错误:输入`combined_data`的‘`mutate()’出现问题。X `x`和`y`必须共享同一个src，设置` `copy` `= TRUE (可能很慢)Shiny - Error in：` `filter()`输入`..1`出现问题 `stat_compare_means()`计算失败:输入`p`时出现问题` `mutate()`。X所有观察值都在同一组中为什么我在错误中出错:输入`medication_name`的‘`mutate()’出现问题。X结果%1必须是单个字符串，而不是长度为%2的字符向量在R/Error中查找累积求和值：` `mutate()`列出现问题苹果手机怎么群发短信 pear linux ping域名请求超时 php 开发环境搭建 php配置虚拟主机

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如何使用Python超参数的网格搜索ARIMA模型

我们都知道用于时序分析和预测的ARIMA模型可能很难配置。

05

Write your own Excel in 100 lines of F#

I've been teaching F# for over seven years now, both in the public F# FastTrack course that we run at SkillsMatter in London and in various custom trainings for private companies. Every time I teach the F# FastTrack course, I modify the material in one way or another. I wrote about some of this interesting history last year in an fsharpWorks article. The course now has a stable half-day introduction to the language and a stable focus on the ideas behind functional-first programming, but there are always new examples and applications that illustrate this style of programming.

02

CCF乘用车细分市场销量预测之ARIMA模型

介绍ARIMA之前，我们首先介绍一下时间序列模型和一般建模的区别。想象一下我们预测某个人贷款是否会违约，我们已知的特征中包含用户贷款时间以及用户的个人信息。虽然数据中保存时间信息，但是显然此类问题不是一个时序问题。在想象一下我们预测某种车型在某省接来四个月的销量，根据我们的常识判断，前几个月的销量如果一直很高的话，那么接下来几个月的销量有很大可能较高，反之亦然，也即是说我们要预测的值可能会受到历史数据的影响，显然此时一个时序问题。简而言之，判断的标准就是预测变量和之前的预测值之间是否彼此独立还是存在一定关系。

01

How to Save an ARIMA Time Series Forecasting Model in Python (如何在Python中保存ARIMA时间序列预测模型)

How to Save an ARIMA Time Series Forecasting Model in Python 原文作者：Jason Brownlee 原文地址：https://machinelearningmastery.com/save-arima-time-series-forecasting-model-python/ 译者微博：@从流域到海域译者博客：blog.csdn.net/solo95 如何在Python中保存ARIMA时间序列预测模型自回归积分滑动平均模型(Aut

如何在Python中保存ARIMA时间序列预测模型

原文地址：https://machinelearningmastery.com/save-arima-time-series-forecasting-model-python/

Eviews 9.0新版本新功能——预测（Auto-ARIMA预测、VAR预测）

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/51387080

04

实例讲解：时间序列预测究竟需要多少历史数据？

编者按：本文源自美国机器学习专家 Jason Brownlee 的博客，AI 研习社编译。时间序列预测，究竟需要多少历史数据？显然，这个问题并没有一个固定的答案，而是会根据特定的问题而改变。在本教程中，我们将基于 Python 语言，对模型输入大小不同的历史数据，对时间序列预测问题展开讨论，探究历史数据对 ARIMA 预测模型的性能影响。（注：ARIMA 全程是 Autoregressive Integrated Moving Average Model，即自回归积分滑动平均模型）具体来说，在本

MADlib——基于SQL的数据挖掘解决方案（20）——时间序列分析之ARIMA

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/wzy0623/article/details/79310475

02

Python 3中使用ARIMA进行时间

我们将使用一个名为“来自美国夏威夷Mauna Loa天文台的连续空气样本的大气二氧化碳”的数据集，该数据集从1958年3月至2001年12月期间收集了二氧化碳样本。我们可以提供如下数据：

02

【代码+论文】通过ML、Time Series模型学习股价行为

今天编辑部给大家带来的是来自Jeremy Jordan的论文，主要分析论文的建模步骤和方法，具体内容大家可以自行查看。 # Standard imports import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline plt.style.use('seaborn-notebook') import seaborn as sns sns.set() import matplotlib

08

Python时间序列预测案例研究：巴尔的摩年度用水量

时间序列预测是一个过程，获得良好预测的唯一方法就是练习这个过程。

05

Kaggle M5 Forecasting:传统预测方法与机器学习预测方法对比

本文使用的数据集来自 kaggle：M5 Forecasting — Accuracy。该数据集包含有 California、Texas、Wisconsin 三个州的产品类别、部门、仓储信息等。基于这些数据，需要预测接下来 28 天的每日销售量。

01

基于ELK Nginx日志分析

针对业务需求建立用户访问行为记录，基于ELK（Elasticsearch日志检索+Logstash日志收集+Kibana查询展示）日志处理技术，建立业务日志采集和智能分析系统，实现了对访问用户的行为跟踪和针对不同类别用户的访问热点分析、趋势分析和对比分析。

03

换个姿势看电影，圣丹斯电影节本周开幕

专为独立电影人而设的圣丹斯电影节，已于本周五开始在美国犹他州的帕克城开幕，为期10天。这是独立电影人展示自己的绝佳平台，也是观影者的一场视听饕餮盛宴。例如《爆裂鼓手》等很多优质电影，都因在圣丹斯电影节

05

用python做时间序列预测九：ARIMA模型简介

c是常数项，εt是随机误差项。对于一个AR(1)模型而言：当 ϕ1=0 时,yt 相当于白噪声；当 ϕ1=1 并且 c=0 时,yt 相当于随机游走模型；当 ϕ1=1 并且 c≠0 时,yt 相当于带漂移的随机游走模型；当 ϕ1<0 时,yt 倾向于在正负值之间上下浮动。

AR(I)MA时间序列建模过程——步骤和python代码

1.异常值和缺失值的处理这绝对是数据分析时让所有人都头疼的问题。异常和缺失值会破坏数据的分布，并且干扰分析的结果，怎么处理它们是一门大学问，而我根本还没入门。（1）异常值 3 ways to remove outliers from your data https://ocefpaf.github.io/python4oceanographers/blog/2015/03/16/outlier_detection/ 提供了关于如何对时间序列数据进行异常值检测的方法，作者认为移动中位数的方法最好，代码

06

深度剖析Kubernetes动态准入控制之Admission Webhooks

Author: xidianwangtao@gmail.com Admission Controll的最佳配置这部分内容，请参考我的上一篇博文深度剖析Kubernetes动态准入控制之Initializers External Admission Webhooks工作机制 External Admission Webhooks有什么用我们什么时候需要用External Admission Webhooks呢？当集群管理员需要强制对某些请求或者所有请求都进行校验或者修改的时候，就可以考虑使用Vali

08

R tips：使用!!来增加dplyr的可操作性

dplyr包在数据变换方面非常的好用，它有很多易用性的体现：比如书写数据内的变量名时不需要引号包裹，也不需要绝对引用，而这在多数baseR函数中都不是这样的，比如：

03

Elastic Stack日志收集系统笔记（logstash部分）

Logstash管道有两个必需的元素，input和output，以及一个可选的元素filter。输入插件使用来自源的数据，过滤器插件在您指定时修改数据，输出插件将数据写入目标。

04

独家 | 利用Auto ARIMA构建高性能时间序列模型（附Python和R代码）

本文共3400字，建议阅读10+分钟。本文介绍了ARIMA的概念，并带你用Python和R训练一个数据集实现它。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭