皆さんこんにちは。今日も引き続きChatGPT先生をお招きして、「ChatGPTとPythonで学ぶ ARIMAとSARIMA」というテーマで雑談したいと思います。それではChatGPT先生、よろしくお願いします。
assistant:
こんにちは、ChatGPT先生です。今日はARIMAとSARIMAについて学んでいくことになりましたね。まず、これらのモデルが何であるかを理解することから始めましょう。
ARIMA(AutoRegressive Integrated Moving Average)は時系列データを予測するための統計的モデルで、自己回帰(AR)、差分積分(I)、移動平均(MA)の要素を組み合わせたモデルです。
- AR: 自己回帰部分。過去の観測値が現在の観測値に影響を与えるという考え方を表現します。
- I: 差分積分部分。非定常なデータを定常な形にするための部分です。
- MA: 移動平均部分。観測値のラグ（遅延）誤差が現在の観測値に影響を与えるという考え方を表現します。
そして、ARIMAモデルに季節性を加えたものがSARIMA(Seasonal ARIMA)モデルです。これは季節性のあるデータにうまく適合できるモデルで、つまり季節的なパターンをもつ時系列データの予測によく用いられます。
それでは、具体的な例とともにこれらのモデルがどう計算されるのかを見ていきましょう。それにはPythonの統計的モデリングライブラリであるstatsmodelsを使用します。このライブラリにはARIMAモデルとSARIMAモデルを簡単に適用できる関数が含まれています。
user:
ARIMAやSARIMAを学ぶにあたって、使えるデータが pydataset 中にあると思いますが、どんなのがありますか？詳しく教えてください。
assistant:
はい、Pythonのpydatasetというパッケージにはアメリカの航空旅客数データ（AirPassengers）や、イギリスの女性25歳から34歳までの死亡率データ（deaths）等、様々な時系列データが含まれています。
これらのデータは時系列分析の練習に非常に便利です。例えば、「AirPassengers」データセットは1949年から1960年までの月ごとの国際航空旅客数を記録しています。このようなデータは季節性（例えば夏休みや年末年始などの旅行シーズンに旅客数が増える）やトレンド（時間とともに旅客数が増加している）を持っています。このような特性は、ARIMAやSARIMAといった時系列モデルを学ぶのに非常に適しています。
pydatasetをまだインストールしていない場合は、以下のコマンドでインストールできます。
!pip install pydataset
そして、次のようなコードでデータセットをロードできます。
from pydataset import data
# "AirPassengers"データセットをロード
df = data('AirPassengers')
# データの最初の5行を表示
print(df.head())
ARIMAやSARIMAモデルを学ぶために、これらのデータセットを使ってみてください。
user:
イギリスの女性25歳から34歳までの死亡率データ（deaths）についても教えてください。
assistant:
"deaths"データセットは、pydatasetに含まれるイギリスの女性25歳から34歳までの月別死亡率（1946年から1974年）を記録した時系列データです。このデータは、月単位の時間間隔で観察された死亡率をカバーしているため、季節性の分析に使用することができます。
このデータセットを使用して時系列分析を行うことで、特定の月や季節に死亡率が高まるようなパターンがあるかどうかを探ることができます。
以下のPythonコードを使用してこのデータセットをロードできます:
from pydataset import data
# "deaths"データセットをロード
df = data('deaths')
# データの最初の5行を表示
print(df.head())
各エントリは特定の月の死亡率（特定の年の特定の月）を表し、これらのような時系列データはARIMAモデルやSARIMAモデルを適用して分析するのに適しています。
user:
アメリカの航空旅客数データ（AirPassengers）や、イギリスの女性25歳から34歳までの死亡率データ（deaths）の他には、どんな時系列データがありますか？
assistant:
pydatasetには他にも多くの時系列デーグがありますが、その中でも有名なものは以下の通りです。
-
Johnson & Johnson 社の四半期ごとの売上（JohnsonJohnson）: 1960年から1980年までの四半期ごとの売上データが掲載されています。このデータは季節性とトレンド両方を持つので、時系列分析におけるこれらの要素の影響を理解するのに有用です。
-
Lake Huronの水位（LakeHuron）: 1875年から1972年までの湖の水位を測定したデータで、自然界の長期的な変動を示す良いケースです。
-
不況（UScereal）：1900年から1993年までのアメリカの不況期間を示すデータです。これは経済学者がマクロ経済の動向を分析する方法を理解するのに便利です。
pydatasetにはこれら以外にも様々な分野のデータセットがあります。具体的にどのようなデータを分析したいか、どのような問いを解決したいかに応じて、適切なデータセットを選択することが重要です。そして、それぞれのデータセットが持つ独自のトレンドや季節性、その他のパターンを理解することで、より深い時系列分析の知識を得ることができます。
user:
ありがとうございます。それでは、アメリカの航空旅客数データ（AirPassengers）を、ARIMAとSARIMAを用いて解析する具体的なPythonコードを書き、結果を可視化してください。その際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
まずはじめに、pydatasetからデータをインポートし、データを調査します。そして、ARIMAモデルとSARIMAモデルの適用と結果の可視化に進みます。
以下が示すコードは、アメリカの航空旅客数データ（AirPassengers）を扱い、ARIMAモデルとSARIMAモデルを適用して、予測結果を表示します。
# 必要なライブラリのインポート
from typing import Tuple
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
def load_and_plot_data() -> pd.DataFrame:
"""データをロードし、プロットする関数"""
df = data('AirPassengers') # データの読み込み
df.plot() # データのプロット
plt.title('Air Passengers Data')
plt.show()
return df
def apply_arima_model(df: pd.DataFrame, order: Tuple[int]) -> None:
"""ARIMAモデルを適用する関数"""
model = ARIMA(df, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_predict(dynamic=False)
plt.title('ARIMA Prediction')
plt.show()
def apply_sarima_model(df: pd.DataFrame, order: Tuple[int], seasonal_order: Tuple[int]) -> None:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(df, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_diagnostics(figsize=(16, 8))
plt.title('SARIMA Prediction')
plt.show()
# データのロードとプロット
df = load_and_plot_data()
# ARIMAモデルの適用
apply_arima_model(df, order=(2,1,2))
# SARIMAモデルの適用 (ここでいうseasonal_orderは(季節性成分のAR次数, 季節性成分の階差, 季節性成分のMA次数, 季節周期)を指します)
apply_sarima_model(df, order=(1,1,1), seasonal_order=(1,1,0,12))
このコードは、周期性と傾向を持つアメリカの航空旅客数データの時系列分析を実行します。最初のステップは、データセットをロードし、基本的なプロットを生成することで、データセットの全体的な構造を理解します。
次に、ARIMAモデルをデータに適用します。ここで、ARIMAモデルは3つのパラメータ、すなわちARの次数（p）、差分の次数（d）、MAの次数（q）を指定する必要があります。このモデルはデータのトレンドとノイズ成分を捉えるのに役立ちます。
最後に、季節性のパターンを考慮に入れてSARIMAモデルを適用します。SARIMAモデルは追加のパラメータ、季節性ARの次数（P）、季節性差分の次数（D）、季節性MAの次数（Q）、そして季節パターンの周期（s）を持ちます。これにより、季節性のパターンもモデル化することができます。
注: SARIMAXという名前は、SARIMAモデルに外部変数（exogenous variables, Xと表現されます）を加えたものを表しています。ここでは外部変数は使用していません。
user:
データをプロットするときに time のプロットは不要です。また、上記コードをベースに、下記エラーを修正した全コードを書いてください。その際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
/home/ikemmen/.local/lib/python3.10/site-packages/statsmodels/tsa/base/tsa_model.py:473: ValueWarning: An unsupported index was provided and will be ignored when e.g. forecasting.
self._init_dates(dates, freq)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
Cell In[6], line 45
42 df = load_and_plot_data()
44 # ARIMAモデルの適用
---> 45 apply_arima_model(df, order=(2,1,2))
47 # SARIMAモデルの適用 (ここでいうseasonal_orderは(季節性成分のAR次数, 季節性成分の階差, 季節性成分のMA次数, 季節周期)を指します)
48 apply_sarima_model(df, order=(1,1,1), seasonal_order=(1,1,0,12))
Cell In[6], line 19, in apply_arima_model(df, order)
17 def apply_arima_model(df: pd.DataFrame, order: Tuple[int]) -> None:
18 """ARIMAモデルを適用する関数"""
---> 19 model = ARIMA(df, order=order) # モデルの設定
20 model_fit = model.fit() # モデルの学習
22 # モデルの結果のサマリーを表示
File ~/.local/lib/python3.10/site-packages/statsmodels/tsa/arima/model.py:158, in ARIMA.__init__(self, endog, exog, order, seasonal_order, trend, enforce_stationarity, enforce_invertibility, concentrate_scale, trend_offset, dates, freq, missing, validate_specification)
151 trend = 'n'
153 # Construct the specification
154 # (don't pass specific values of enforce stationarity/invertibility,
155 # because we don't actually want to restrict the estimators based on
156 # this criteria. Instead, we'll just make sure that the parameter
157 # estimates from those methods satisfy the criteria.)
--> 158 self._spec_arima = SARIMAXSpecification(
159 endog, exog=exog, order=order, seasonal_order=seasonal_order,
160 trend=trend, enforce_stationarity=None, enforce_invertibility=None,
161 concentrate_scale=concentrate_scale, trend_offset=trend_offset,
162 dates=dates, freq=freq, missing=missing,
163 validate_specification=validate_specification)
164 exog = self._spec_arima._model.data.orig_exog
166 # Raise an error if we have a constant in an integrated model
File ~/.local/lib/python3.10/site-packages/statsmodels/tsa/arima/specification.py:454, in SARIMAXSpecification.__init__(self, endog, exog, order, seasonal_order, ar_order, diff, ma_order, seasonal_ar_order, seasonal_diff, seasonal_ma_order, seasonal_periods, trend, enforce_stationarity, enforce_invertibility, concentrate_scale, trend_offset, dates, freq, missing, validate_specification)
451 # Validate endog shape
452 if (validate_specification and not faux_endog and
453 self.endog.ndim > 1 and self.endog.shape[1] > 1):
--> 454 raise ValueError('SARIMAX models require univariate `endog`. Got'
455 ' shape %s.' % str(self.endog.shape))
457 self._has_missing = (
458 None if faux_endog else np.any(np.isnan(self.endog)))
ValueError: SARIMAX models require univariate `endog`. Got shape (144, 2).
assistant:
エラーメッセージによれば、モデルは一変量（univariate）データを必要としますが、多変量データが供給される形となっています。pydatasetはデータフレーム形式でデータを提供しますので、以下のように修正を行います。
# 必要なライブラリのインポート
from typing import Tuple
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
def load_and_plot_data() -> pd.Series:
"""データをロードし、プロットする関数"""
df = data('AirPassengers') # データの読み込み
series = pd.Series(df['value'].values, index=pd.DatetimeIndex(start='1949-01-01', periods=len(df), freq='M'))
series.plot() # データのプロット
plt.title('Air Passengers Data')
plt.show()
return series
def apply_arima_model(series: pd.Series, order: Tuple[int]) -> None:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_predict(dynamic=False)
plt.title('ARIMA Prediction')
plt.show()
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int]) -> None:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_diagnostics(figsize=(16, 8))
plt.title('SARIMA Prediction')
plt.show()
# データのロードとプロット
series = load_and_plot_data()
# ARIMAモデルの適用
apply_arima_model(series, order=(2,1,2))
# SARIMAモデルの適用 (ここでいうseasonal_orderは(季節性成分のAR次数, 季節性成分の階差, 季節性成分のMA次数, 季節周期)を指します)
apply_sarima_model(series, order=(1,1,1), seasonal_order=(1,1,0,12))
なお、このコードは実行環境やデータによりエラーが発生する場合があります。その際は適切なARIMA/SARIMAモデルのパラメーターを選択してください。具体的なパラメーターの選択方法については、ACF(Autocorrelation Function)やPACF(Partial Autocorrelation Function)を元に決定する一般的なアプローチが存在します。
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3790, in Index.get_loc(self, key)
3789 try:
-> 3790 return self._engine.get_loc(casted_key)
3791 except KeyError as err:
File index.pyx:152, in pandas._libs.index.IndexEngine.get_loc()
File index.pyx:181, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7080, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7088, in pandas._libs.hashtable.PyObjectHashTable.get_item()
KeyError: 'value'
The above exception was the direct cause of the following exception:
KeyError Traceback (most recent call last)
Cell In[8], line 43
40 plt.show()
42 # データのロードとプロット
---> 43 series = load_and_plot_data()
45 # ARIMAモデルの適用
46 apply_arima_model(series, order=(2,1,2))
Cell In[8], line 12, in load_and_plot_data()
10 """データをロードし、プロットする関数"""
11 df = data('AirPassengers') # データの読み込み
---> 12 series = pd.Series(df['value'].values, index=pd.DatetimeIndex(start='1949-01-01', periods=len(df), freq='M'))
13 series.plot() # データのプロット
14 plt.title('Air Passengers Data')
File /usr/local/lib/python3.10/site-packages/pandas/core/frame.py:3893, in DataFrame.__getitem__(self, key)
3891 if self.columns.nlevels > 1:
3892 return self._getitem_multilevel(key)
-> 3893 indexer = self.columns.get_loc(key)
3894 if is_integer(indexer):
3895 indexer = [indexer]
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3797, in Index.get_loc(self, key)
3792 if isinstance(casted_key, slice) or (
3793 isinstance(casted_key, abc.Iterable)
3794 and any(isinstance(x, slice) for x in casted_key)
3795 ):
3796 raise InvalidIndexError(key)
-> 3797 raise KeyError(key) from err
3798 except TypeError:
3799 # If we have a listlike key, _check_indexing_error will raise
3800 # InvalidIndexError. Otherwise we fall through and re-raise
3801 # the TypeError.
3802 self._check_indexing_error(key)
KeyError: 'value'
assistant:
エラーメッセージから判断するに、df['value']という指定が誤っている模様です。'value'というキーが元のDataFrameに存在しないため、KeyErrorが発生しています。
元のデータ df の内容を改めて確認し、適切な列名を指定する必要があります。'value'の代わりに'AirPassengers'を使ってみましょう。以下に修正後のコードを記載します：
# 必要なライブラリのインポート
from typing import Tuple
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
def load_and_plot_data() -> pd.Series:
"""データをロードし、プロットする関数"""
df = data('AirPassengers') # データの読み込み
series = pd.Series(df['AirPassengers'].values, index=pd.DatetimeIndex(start='1949-01-01', periods=len(df), freq='M'))
series.plot() # データのプロット
plt.title('Air Passengers Data')
plt.show()
return series
def apply_arima_model(series: pd.Series, order: Tuple[int]) -> None:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_predict(dynamic=False)
plt.title('ARIMA Prediction')
plt.show()
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int]) -> None:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_diagnostics(figsize=(16, 8))
plt.title('SARIMA Prediction')
plt.show()
# データのロードとプロット
series = load_and_plot_data()
# ARIMAモデルの適用
apply_arima_model(series, order=(2,1,2))
# SARIMAモデルの適用 (ここでいうseasonal_orderは(季節性成分のAR次数, 季節性成分の階差, 季節性成分のMA次数, 季節周期)を指します)
apply_sarima_model(series, order=(1,1,1), seasonal_order=(1,1,0,12))
この修正を行った後、一連の実行エラーが解消されるはずです。ただし、あくまでARIMA/SARIMAのパラメータ選択は暫定的なものであり、適切なパラメータ選択方法については独自の判断や調査が必要となります。
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
Cell In[9], line 43
40 plt.show()
42 # データのロードとプロット
---> 43 series = load_and_plot_data()
45 # ARIMAモデルの適用
46 apply_arima_model(series, order=(2,1,2))
Cell In[9], line 12, in load_and_plot_data()
10 """データをロードし、プロットする関数"""
11 df = data('AirPassengers') # データの読み込み
---> 12 series = pd.Series(df['AirPassengers'].values, index=pd.DatetimeIndex(start='1949-01-01', periods=len(df), freq='M'))
13 series.plot() # データのプロット
14 plt.title('Air Passengers Data')
TypeError: DatetimeIndex.__new__() got an unexpected keyword argument 'start'
assistant:
エラーメッセージから読み取れるように、pd.DatetimeIndexへのstart引数は不適当です。適切な引数はstartの代わりに'start'ではなく、'start'および'periods'の代わりに'data'です。
以下に修正後のコードを記載します：
# 必要なライブラリのインポート
from typing import Tuple
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
def load_and_plot_data() -> pd.Series:
"""データをロードし、プロットする関数"""
df = data('AirPassengers') # データの読み込み
series = pd.Series(df['AirPassengers'].values, index=pd.date_range(start='1949-01-01', periods=len(df), freq='M'))
series.plot() # データのプロット
plt.title('Air Passengers Data')
plt.show()
return series
def apply_arima_model(series: pd.Series, order: Tuple[int]) -> None:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_predict(dynamic=False)
plt.title('ARIMA Prediction')
plt.show()
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int]) -> None:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_diagnostics(figsize=(16, 8))
plt.title('SARIMA Prediction')
plt.show()
# データのロードとプロット
series = load_and_plot_data()
# ARIMAモデルの適用
apply_arima_model(series, order=(2,1,2))
# SARIMAモデルの適用 (ここでいうseasonal_orderは(季節性成分のAR次数, 季節性成分の階差, 季節性成分のMA次数, 季節周期)を指します)
apply_sarima_model(series, order=(1,1,1), seasonal_order=(1,1,0,12))
この修正を行った後、一連の実行エラーが解消されるはずです。ただし、あくまでARIMA/SARIMAのパラメータ選択は暫定的なものであり、適切なパラメータ選択方法については独自の判断や調査が必要となります。
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
/home/ikemen/.local/lib/python3.10/site-packages/statsmodels/base/model.py:607: ConvergenceWarning: Maximum Likelihood optimization failed to converge. Check mle_retvals
warnings.warn("Maximum Likelihood optimization failed to "
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
Cell In[10], line 46
43 series = load_and_plot_data()
45 # ARIMAモデルの適用
---> 46 apply_arima_model(series, order=(2,1,2))
48 # SARIMAモデルの適用 (ここでいうseasonal_orderは(季節性成分のAR次数, 季節性成分の階差, 季節性成分のMA次数, 季節周期)を指します)
49 apply_sarima_model(series, order=(1,1,1), seasonal_order=(1,1,0,12))
Cell In[10], line 26, in apply_arima_model(series, order)
24 print(model_fit.summary())
25 # プロット
---> 26 model_fit.plot_predict(dynamic=False)
27 plt.title('ARIMA Prediction')
28 plt.show()
File ~/.local/lib/python3.10/site-packages/statsmodels/base/wrapper.py:34, in ResultsWrapper.__getattribute__(self, attr)
31 except AttributeError:
32 pass
---> 34 obj = getattr(results, attr)
35 data = results.model.data
36 how = self._wrap_attrs.get(attr)
AttributeError: 'ARIMAResults' object has no attribute 'plot_predict'
assistant:
エラーメッセージから判断すると、'ARIMAResults' オブジェクトには 'plot_predict' 属性がないというエラーが発生しています。こちらを修正するためには、適切なメソッドを使用する必要があります。
例えば、ARIMAモデルの予測は get_prediction メソッドと predicted_mean 属性を使用して描画することができます。以下にエラーを解消したコードを示します。
# 必要なライブラリのインポート
from typing import Tuple
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
def load_and_plot_data() -> pd.Series:
"""データをロードし、プロットする関数"""
df = data('AirPassengers') # データの読み込み
series = pd.Series(df['AirPassengers'].values, index=pd.date_range(start='1949-01-01', periods=len(df), freq='M'))
series.plot() # データのプロット
plt.title('Air Passengers Data')
plt.show()
return series
def apply_arima_model(series: pd.Series, order: Tuple[int]) -> None:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# 予測とプロット
pred = model_fit.get_prediction(dynamic=False)
pred.predicted_mean.plot()
plt.title('ARIMA Prediction')
plt.show()
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int]) -> None:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
# モデルの結果のサマリーを表示
print(model_fit.summary())
# プロット
model_fit.plot_diagnostics(figsize=(16, 8))
plt.title('SARIMA Prediction')
plt.show()
# データのロードとプロット
series = load_and_plot_data()
# ARIMAモデルの適用
apply_arima_model(series, order=(2,1,2))
# SARIMAモデルの適用 (ここでいうseasonal_orderは(季節性成分のAR次数, 季節性成分の階差, 季節性成分のMA次数, 季節周期)を指します)
apply_sarima_model(series, order=(1,1,1), seasonal_order=(1,1,0,12))
また、予めお伝えしておきますが、ConvergenceWarningはモデルの最適化が収束していないために発生します。これはモデルのパラメータが不適切であるためか、または最適化のステップ数が不足しているかのどちらかで引き起こされます。モデルのパラメータ選択や評価については、ACF(Autocorrelation Function)やPACF(Partial Autocorrelation Function)を元に決定する一般的なアプローチが存在します。グリッドサーチなどを用いて最適なパラメータを探す方法もあります。モデルがうまく収束しない場合は、パラメータの選択を見直してみることを推奨します。
user:
ありがとうございます。エラーなく計算結果が出ました。
assistant:
それは良かったです。エラーがなくなったとのことで安心しました。
もし他に質問がありましたら、何でもお聞きください。
これからのPythonによるデータ分析などの学習がんばってください！
user:
実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化することはできますか？
assistant:
はい、それは可能です。予測値はget_predictionメソッドで取得し、それを元のデータとともにプロットします。ここではARIMAおよびSARIMAモデルのそれぞれの予測結果を同じグラフ上で描画してみます。そのためにapply_arima_modelおよびapply_sarima_model関数を書き換え、それぞれの予測値を戻り値とします。そして、これらの戻り値をプロットする関数を新たに実装します。
以下に該当のコードを示します：
# 必要なライブラリのインポート
from typing import Tuple
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
def load_and_plot_data() -> pd.Series:
"""データをロードし、プロットする関数"""
df = data('AirPassengers') # データの読み込み
series = pd.Series(df['AirPassengers'].values, index=pd.date_range(start='1949-01-01', periods=len(df), freq='M'))
return series
def apply_arima_model(series: pd.Series, order: Tuple[int]) -> pd.Series:
"""ARIMAモデル���適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.get_prediction(dynamic=False).predicted_mean # 予測値を返す
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int]) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.get_prediction(dynamic=False).predicted_mean # 予測値を返す
def plot_all_data(original: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(10, 6))
plt.plot(original.index, original.values, label='Original')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('Air Passengers Data')
plt.legend()
plt.show()
# データのロードとプロット
series = load_and_plot_data()
series.plot(title='Air Passengers Data')
plt.show()
# ARIMAモデルの適用
arima_pred = apply_arima_model(series, order=(2,1,2))
# SARIMAモデルの適用
sarima_pred = apply_sarima_model(series, order=(1,1,1), seasonal_order=(1,1,0,12))
# 元のデータと予測値を一緒にプロット
plot_all_data(series, arima_pred, sarima_pred)
上記のコードで元のデータと各モデルによる予測値を同じグラフ上に描画することができます。ただし、予測精度や適切なモデルの選択、パラメータの決定に関しては、グラフからだけではなく数値的な評価も合わせて行なうことをお勧めします。また、ConvergenceWarningが出る場合は、ハイパーパラメータの調整やモデルの選択を見直す必要があります。
user:
できました。ありがとうございます。ARIMAとSARIMAの違いについて詳しく教えていただけますか？
assistant:
はい、もちろんです！
ARIMAとSARIMAの違いについて解説します。
ARIMAは自己回帰積分移動平均モデルを表します。これは時系列データをモデル化するためによく使われる手法で、次の3つの要素をもとに構成されます。
- AR（自己回帰）: データ点がその前の何点かの線形結合として表現されます。
- I（積分）: データ点がその前の何点かの累積和（積分）として表現されます。
- MA（移動平均）: データ点がその前の何点かの平均として表現されます。
これに対して、SARIMAは季節性自己回帰積分移動平均モデルを指します。SARIMAはARIMAに季節性を考慮したモデルで、ARIMAの3つの要素に加えてさらに以下の3つの要素を持ちます。
- SAR（季節性自己回帰）: 季節性を持っているデータに対して、データ点が前の季節の同じ時期のデータとその前の何点かの線形結合として表現されます。
- SI（季節性積分）: データ点が前の季節の同じ時期のデータとその前の何点かの累積和（積分）として表現されます。
- SMA（季節性移動平均）: データ点が前の季節の同じ時期のデータとその前の何点かの平均として表現されます。
つまり、SARIMAモデルはARIMAモデルを拡張したもので、季節性のあるデータに対しても対応可能です。逆に言うと、季節性のないデータに対してはARIMAモデルでも問題ありません。飛行機の乗客数など季節性の強いデータに対してはSARIMAモデルが適していると言えます。
ただし、どちらのモデルを使用するにせよ、モデルの選択やパラメータの決定はデータに依存します。モデル選択の際は、データの性質を理解し、試行錯誤を重ねて最適なモデルを選ぶことが重要です。
user:
それでは、アメリカの航空旅客数データ（AirPassengers）を、ARIMAとSARIMAを用いて解析し、実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化するPythonコードを書いてください。その際に、データをトレーニングデータとテストデータに分割し、テストデータに対する予測のずれを評価してください。型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
以下に要求されたPythonのコードを提供します：
# 必要なライブラリのインポート
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_and_plot_data() -> pd.Series:
"""データをロードする関数"""
df = data('AirPassengers') # データの読み込み
series = pd.Series(df['AirPassengers'].values,
index=pd.date_range(start='1949-01-01', periods=len(df), freq='M'))
return series
def apply_arima_model(series: pd.Series, order: Tuple[int]) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.fittedvalues # 予測値を返す
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int]) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.fittedvalues # 予測値を返す
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(10, 6))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('Air Passengers Data')
plt.legend()
plt.show()
# データのロード
series = load_and_plot_data()
# トレーニングデータとテストデータに分割
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:]
# ARIMAモデルの適用
arima_pred = apply_arima_model(train, order=(2,1,2))
# SARIMAモデルの適用
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,12))
# 元のデータと予測値を一緒にプロット
plot_all_data(series, train, arima_pred, sarima_pred)
# テストデータに対する平均二乗誤差を計算して評価
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[-len(test):]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[-len(test):]))
こちらのコードは、ARIMAとSARIMAモデルを用いて時系列の航空旅客数を予測しています。まずデータをトレーニングデータとテストデータに分割し、モデルの学習はトレーニングデータのみを用いて行います。その後、学習したモデルを用いてシリーズ全体を予測し、それをプロットすると共に、テストデータに対する平均二乗誤差を計算し、ARIMAとSARIMAのパフォーマンスを比較しています。
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
This problem is unconstrained.
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
Cell In[13], line 57
54 sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,12))
56 # 元のデータと予測値を一緒にプロット
---> 57 plot_all_data(series, train, arima_pred, sarima_pred)
59 # テストデータに対する平均二乗誤差を計算して評価
60 print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[-len(test):]))
Cell In[13], line 37, in plot_all_data(original, train, arima, sarima)
35 plt.plot(original.index, original.values, label='Original')
36 plt.plot(train.index, train.values, label='Training')
---> 37 plt.plot(original.index, arima, label='ARIMA')
38 plt.plot(original.index, sarima, label='SARIMA')
39 plt.title('Air Passengers Data')
File /usr/local/lib/python3.10/site-packages/matplotlib/pyplot.py:3575, in plot(scalex, scaley, data, *args, **kwargs)
3567 @_copy_docstring_and_deprecators(Axes.plot)
3568 def plot(
3569 *args: float | ArrayLike | str,
(...)
3573 **kwargs,
3574 ) -> list[Line2D]:
-> 3575 return gca().plot(
3576 *args,
3577 scalex=scalex,
3578 scaley=scaley,
3579 **({"data": data} if data is not None else {}),
3580 **kwargs,
3581 )
File /usr/local/lib/python3.10/site-packages/matplotlib/axes/_axes.py:1721, in Axes.plot(self, scalex, scaley, data, *args, **kwargs)
1478 """
1479 Plot y versus x as lines and/or markers.
1480
(...)
1718 (``'green'``) or hex strings (``'#008000'``).
1719 """
1720 kwargs = cbook.normalize_kwargs(kwargs, mlines.Line2D)
-> 1721 lines = [*self._get_lines(self, *args, data=data, **kwargs)]
1722 for line in lines:
1723 self.add_line(line)
File /usr/local/lib/python3.10/site-packages/matplotlib/axes/_base.py:303, in _process_plot_var_args.__call__(self, axes, data, *args, **kwargs)
301 this += args[0],
302 args = args[1:]
--> 303 yield from self._plot_args(
304 axes, this, kwargs, ambiguous_fmt_datakey=ambiguous_fmt_datakey)
File /usr/local/lib/python3.10/site-packages/matplotlib/axes/_base.py:499, in _process_plot_var_args._plot_args(self, axes, tup, kwargs, return_kwargs, ambiguous_fmt_datakey)
496 axes.yaxis.update_units(y)
498 if x.shape[0] != y.shape[0]:
--> 499 raise ValueError(f"x and y must have same first dimension, but "
500 f"have shapes {x.shape} and {y.shape}")
501 if x.ndim > 2 or y.ndim > 2:
502 raise ValueError(f"x and y can be no greater than 2D, but have "
503 f"shapes {x.shape} and {y.shape}")
ValueError: x and y must have same first dimension, but have shapes (144,) and (115,)
assistant:
問題は、予測したデータが元のデータとは異なる長さを持つために発生しています。この問題は、モデルを学習して予測を行う際に使用したデータがトレーニングデータだけであるためです。モデルはトレーニングデータの期間に対する予測値のみを返しています。
この問題を解決するためには、fitした後にget_predictionやget_forecastメソッドを使用して全期間（または将来の期間）に対する予測を取得することが必要です。また、予測誤差を計算する際にはテスト部分の予測を対象にすることが適切です。
以下に修正後のコードを示します：
# 必要なライブラリのインポート
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data() -> pd.Series:
"""データをロードする関数"""
df = data('AirPassengers') # データの読み込み
series = pd.Series(df['AirPassengers'].values,
index=pd.date_range(start='1949-01-01', periods=len(df), freq='M'))
return series
def apply_arima_model(series: pd.Series, order: Tuple[int], start: int, end: int) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.get_prediction(start=start, end=end).predicted_mean # 全期間に対する予測値を返す
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int],
start: int, end: int) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.get_prediction(start=start, end=end).predicted_mean # 全期間に対する予測値を返す
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(15, 10))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('Air Passengers Data')
plt.legend()
plt.show()
# データのロード
series = load_data()
# トレーニングデータとテストデータに分割
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:]
# ARIMAモデルの適用
arima_pred = apply_arima_model(train, order=(2,1,2), start=0, end=len(series)-1)
# SARIMAモデルの適用
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,12), start=0, end=len(series)-1)
# 元のデータと予測値を一緒にプロット
plot_all_data(series, train, arima_pred, sarima_pred)
# テストデータに対する平均二乗誤差を計算して評価
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
コードではまずデータをトレーニングデータとテストデータに分割しています。そしてARIMAとSARIMAの両モデルをトレーニングデータに適用し、モデルの要約を表示しています。その後、.get_predictionメソッドを使用して完全なシリーズに対する予測を得ています。そして元のデータと各モデルによる予測値をプロットし、最後にテストデータに対する各モデルの平均二乗誤差を計算します。
user:
ありがとうございます。次の結果が得られました。
ARIMA model MSE: 6808.397
SARIMA model MSE: 874.852
assistant:
問題なくコードが実行でき、モデルが予測を行うことができたようですね。
平均二乗誤差(MSE)はモデルの予測がどれだけ実際の値からずれているかを評価するための指標で、値が小さいほどモデルの予測精度が高いことを示します。
この結果から、SARIMAモデルのほうがARIMAモデルよりもテストデータに対する予測精度が高いことがわかります（MSEが874.852と6808.397で、SARIMAの方が小さい）。
SARIMAは季節性を考慮に入れたモデルであるため、季節性が存在するこの航空旅客数データに対してはARIMAよりも優れた結果を提供することが期待できます。
それぞれのモデルのパラメータは経験的に選択されましたが、より良い結果を得るためには、パラメータの最適化（例えば、グリッドサーチやクロスバリデーションを使用した最適化）を行うと良いでしょう。
user:
それでは、イギリスの女性25歳から34歳までの死亡率データ（deaths）を、ARIMAとSARIMAを用いて解析し、実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化するPythonコードを書いてください。その際に、データをトレーニングデータとテストデータに分割し、テストデータに対する予測のずれを評価してください。型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
以下に要求されたPythonのコードを提供します：
# 必要なライブラリのインポート
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name) # データの読み込み
series = pd.Series(df['value'].values, index=pd.date_range(start='1974-01-01', periods=len(df), freq='Q'))
return series
def apply_arima_model(series: pd.Series, order: Tuple[int], start: int, end: int) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.get_prediction(start=start, end=end).predicted_mean # 全期間に対する予測値を返す
def apply_sarima_model(series: pd.Series, order: Tuple[int], seasonal_order: Tuple[int],
start: int, end: int) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order) # モデルの設定
model_fit = model.fit() # モデルの学習
print(model_fit.summary()) # モデルの結果のサマリーを表示
return model_fit.get_prediction(start=start, end=end).predicted_mean # 全期間に対する予測値を返す
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(15, 10))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('UK Female 25-34 mortality data')
plt.legend()
plt.show()
# データのロード
series = load_data('deaths')
# トレーニングデータとテストデータに分割
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:]
# ARIMAモデルの適用
arima_pred = apply_arima_model(train, order=(1,1,1), start=0, end=len(series)-1)
# SARIMAモデルの適用
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,4), start=0, end=len(series)-1)
# 元のデータと予測値を一緒にプロット
plot_all_data(series, train, arima_pred, sarima_pred)
# テストデータに対する平均二乗誤差を計算して評価
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
注意点として、季節性の頻度が年4回(四半期)になるようにSARIMAモデルの季節性パラメータの一部を(1,1,0,4)に変更しました。それ以外は前述と同様に処理を行っています。
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3790, in Index.get_loc(self, key)
3789 try:
-> 3790 return self._engine.get_loc(casted_key)
3791 except KeyError as err:
File index.pyx:152, in pandas._libs.index.IndexEngine.get_loc()
File index.pyx:181, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7080, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7088, in pandas._libs.hashtable.PyObjectHashTable.get_item()
KeyError: 'value'
The above exception was the direct cause of the following exception:
KeyError Traceback (most recent call last)
Cell In[15], line 44
41 plt.show()
43 # データのロード
---> 44 series = load_data('deaths')
46 # トレーニングデータとテストデータに分割
47 split_point = int(len(series) * 0.8)
Cell In[15], line 14, in load_data(dataset_name)
12 """データをロードする関数"""
13 df = data(dataset_name) # データの読み込み
---> 14 series = pd.Series(df['value'].values, index=pd.date_range(start='1974-01-01', periods=len(df), freq='Q'))
15 return series
File /usr/local/lib/python3.10/site-packages/pandas/core/frame.py:3893, in DataFrame.__getitem__(self, key)
3891 if self.columns.nlevels > 1:
3892 return self._getitem_multilevel(key)
-> 3893 indexer = self.columns.get_loc(key)
3894 if is_integer(indexer):
3895 indexer = [indexer]
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3797, in Index.get_loc(self, key)
3792 if isinstance(casted_key, slice) or (
3793 isinstance(casted_key, abc.Iterable)
3794 and any(isinstance(x, slice) for x in casted_key)
3795 ):
3796 raise InvalidIndexError(key)
-> 3797 raise KeyError(key) from err
3798 except TypeError:
3799 # If we have a listlike key, _check_indexing_error will raise
3800 # InvalidIndexError. Otherwise we fall through and re-raise
3801 # the TypeError.
3802 self._check_indexing_error(key)
KeyError: 'value'
assistant:
おそらく、'deaths'データセットには'values'という列名ではなく、他の列名が存在しているため、'value'というキーに対してKeyErrorが発生しています。
今回の場合、データフレームの要素は'dvalue'というキーに格納されているので、そのキーを指定します。以下にキーの修正を反映したコードを示します。
また、'deaths'のデータは年次データなので、'freq'を'Q（四半期）'から'Y（年）'に変更します。
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
series = pd.Series(df['value'].values, index=pd.date_range(start='1974-01-01', periods=len(df), freq='Y'))
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp,
end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int],
seasonal_order: Tuple[int, int, int, int],
start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(15, 10))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('UK Female 25-34 mortality data')
plt.legend()
plt.show()
series = load_data('deaths') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,4),
start=series.index[0], end=series.index[-1])
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
上記のコードでは、'deaths'データセットを読み込み、ARIMAモデルとSARIMAモデルを適用し、予測結果と実際のデータをプロットします。そして、MSE（Mean Squared Error）によりモデルの性能を評価し、結果を出力します。
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3790, in Index.get_loc(self, key)
3789 try:
-> 3790 return self._engine.get_loc(casted_key)
3791 except KeyError as err:
File index.pyx:152, in pandas._libs.index.IndexEngine.get_loc()
File index.pyx:181, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7080, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7088, in pandas._libs.hashtable.PyObjectHashTable.get_item()
KeyError: 'value'
The above exception was the direct cause of the following exception:
KeyError Traceback (most recent call last)
Cell In[16], line 42
39 plt.legend()
40 plt.show()
---> 42 series = load_data('deaths') # データのロード
44 split_point = int(len(series) * 0.8)
45 train, test = series[:split_point], series[split_point:] # データの分割
Cell In[16], line 13, in load_data(dataset_name)
11 """データをロードする関数"""
12 df = data(dataset_name)
---> 13 series = pd.Series(df['value'].values, index=pd.date_range(start='1974-01-01', periods=len(df), freq='Y'))
14 return series
File /usr/local/lib/python3.10/site-packages/pandas/core/frame.py:3893, in DataFrame.__getitem__(self, key)
3891 if self.columns.nlevels > 1:
3892 return self._getitem_multilevel(key)
-> 3893 indexer = self.columns.get_loc(key)
3894 if is_integer(indexer):
3895 indexer = [indexer]
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3797, in Index.get_loc(self, key)
3792 if isinstance(casted_key, slice) or (
3793 isinstance(casted_key, abc.Iterable)
3794 and any(isinstance(x, slice) for x in casted_key)
3795 ):
3796 raise InvalidIndexError(key)
-> 3797 raise KeyError(key) from err
3798 except TypeError:
3799 # If we have a listlike key, _check_indexing_error will raise
3800 # InvalidIndexError. Otherwise we fall through and re-raise
3801 # the TypeError.
3802 self._check_indexing_error(key)
KeyError: 'value'
assistant:
該当の'deaths'データセットは時系列データを含んでおり、その実際のカラム名は'v'です。したがって、'value'ではなく'v'を指定する必要があります。
また、'deaths'データセットは四半期ごとのデータではなく月ごとのデータとなっているため、freq引数として'M'（月）を指定すべきです。
以下のコードは、これらの修正を反映したものになります。
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
series = pd.Series(df['v'].values, index=pd.date_range(start='1974-01-01', periods=len(df), freq='M'))
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp,
end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int],
seasonal_order: Tuple[int, int, int, int],
start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(15, 10))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('UK Female 25-34 mortality data by month')
plt.legend()
plt.show()
series = load_data('deaths') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,12),
start=series.index[0], end=series.index[-1])
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
なお、SARIMAXモデルの季節性次数として12（年間12ヶ月）を指定しています。これにより、モデルは月単位の季節性を考慮するようになります。
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3790, in Index.get_loc(self, key)
3789 try:
-> 3790 return self._engine.get_loc(casted_key)
3791 except KeyError as err:
File index.pyx:152, in pandas._libs.index.IndexEngine.get_loc()
File index.pyx:181, in pandas._libs.index.IndexEngine.get_loc()
File pandas/_libs/hashtable_class_helper.pxi:7080, in pandas._libs.hashtable.PyObjectHashTable.get_item()
File pandas/_libs/hashtable_class_helper.pxi:7088, in pandas._libs.hashtable.PyObjectHashTable.get_item()
KeyError: 'v'
The above exception was the direct cause of the following exception:
KeyError Traceback (most recent call last)
Cell In[17], line 42
39 plt.legend()
40 plt.show()
---> 42 series = load_data('deaths') # データのロード
44 split_point = int(len(series) * 0.8)
45 train, test = series[:split_point], series[split_point:] # データの分割
Cell In[17], line 13, in load_data(dataset_name)
11 """データをロードする関数"""
12 df = data(dataset_name)
---> 13 series = pd.Series(df['v'].values, index=pd.date_range(start='1974-01-01', periods=len(df), freq='M'))
14 return series
File /usr/local/lib/python3.10/site-packages/pandas/core/frame.py:3893, in DataFrame.__getitem__(self, key)
3891 if self.columns.nlevels > 1:
3892 return self._getitem_multilevel(key)
-> 3893 indexer = self.columns.get_loc(key)
3894 if is_integer(indexer):
3895 indexer = [indexer]
File /usr/local/lib/python3.10/site-packages/pandas/core/indexes/base.py:3797, in Index.get_loc(self, key)
3792 if isinstance(casted_key, slice) or (
3793 isinstance(casted_key, abc.Iterable)
3794 and any(isinstance(x, slice) for x in casted_key)
3795 ):
3796 raise InvalidIndexError(key)
-> 3797 raise KeyError(key) from err
3798 except TypeError:
3799 # If we have a listlike key, _check_indexing_error will raise
3800 # InvalidIndexError. Otherwise we fall through and re-raise
3801 # the TypeError.
3802 self._check_indexing_error(key)
KeyError: 'v'
assistant:
申し訳ありません、キーのエラーが再発したようです。どうやら'deaths'データセットは別のカラム名を持っているようです。このような場合、まずはデータセットの構成を確認しましょう。以下のコードでデータセットの最初の5行を出力します。
from pydataset import data
df = data('deaths')
print(df.head())
上記コードを実行し、出力されたカラム名を確認します。エラーメッセージからすると、'v'ではない別のカラム名が正しいカラム名である可能性があります。
カラム名が確認できたら、そのカラム名を利用してデータを取得するようにコードを修正します。
user:
ありがとうございます。次の結果が得られました。
time deaths
1 1974.000000 3035
2 1974.083333 2552
3 1974.166667 2704
4 1974.250000 2554
5 1974.333333 2014
assistant:
出力から、データセットのカラム名は 'time' と 'deaths' であることがわかります。このうち死亡数を表すカラム名は 'deaths' です。したがって、データのロード部分のコードを以下のように修正すべきです。
series = pd.Series(df['deaths'].values, index=pd.date_range(start='1974-01-01', periods=len(df), freq='M'))
だたし、この場合データのインデックスとして'1974-01-01'からの月頻度の日時を使用していますが、'time'カラムは実際には'1974-01-01'からの月頻度での実数値で、これを日時に変換することはできません。
したがって、一般的な方法は年単位でのデータ設定であり、以下のように修正することでデータをロードできます。
以下が修正したコードです：
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
series = pd.Series(df['deaths'].values, index=pd.to_datetime(df['time'], format='%Y.%m'))
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp,
end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int],
seasonal_order: Tuple[int, int, int, int],
start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(15, 10))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('UK Female 25-34 mortality data by month')
plt.legend()
plt.show()
series = load_data('deaths') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,12),
start=series.index[0], end=series.index[-1])
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
user:
ありがとうございます。上記コードをベースに、下記エラーを修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
Cell In[20], line 42
39 plt.legend()
40 plt.show()
---> 42 series = load_data('deaths') # データのロード
44 split_point = int(len(series) * 0.8)
45 train, test = series[:split_point], series[split_point:] # データの分割
Cell In[20], line 13, in load_data(dataset_name)
11 """データをロードする関数"""
12 df = data(dataset_name)
---> 13 series = pd.Series(df['deaths'].values, index=pd.to_datetime(df['time'], format='%Y.%m'))
14 return series
File /usr/local/lib/python3.10/site-packages/pandas/core/tools/datetimes.py:1112, in to_datetime(arg, errors, dayfirst, yearfirst, utc, format, exact, unit, infer_datetime_format, origin, cache)
1110 result = arg.map(cache_array)
1111 else:
-> 1112 values = convert_listlike(arg._values, format)
1113 result = arg._constructor(values, index=arg.index, name=arg.name)
1114 elif isinstance(arg, (ABCDataFrame, abc.MutableMapping)):
File /usr/local/lib/python3.10/site-packages/pandas/core/tools/datetimes.py:488, in _convert_listlike_datetimes(arg, format, name, utc, unit, errors, dayfirst, yearfirst, exact)
486 # `format` could be inferred, or user didn't ask for mixed-format parsing.
487 if format is not None and format != "mixed":
--> 488 return _array_strptime_with_fallback(arg, name, utc, format, exact, errors)
490 result, tz_parsed = objects_to_datetime64ns(
491 arg,
492 dayfirst=dayfirst,
(...)
496 allow_object=True,
497 )
499 if tz_parsed is not None:
500 # We can take a shortcut since the datetime64 numpy array
501 # is in UTC
File /usr/local/lib/python3.10/site-packages/pandas/core/tools/datetimes.py:519, in _array_strptime_with_fallback(arg, name, utc, fmt, exact, errors)
508 def _array_strptime_with_fallback(
509 arg,
510 name,
(...)
514 errors: str,
515 ) -> Index:
516 """
517 Call array_strptime, with fallback behavior depending on 'errors'.
518 """
--> 519 result, timezones = array_strptime(arg, fmt, exact=exact, errors=errors, utc=utc)
520 if any(tz is not None for tz in timezones):
521 return _return_parsed_timezone_results(result, timezones, utc, name)
File strptime.pyx:534, in pandas._libs.tslibs.strptime.array_strptime()
File strptime.pyx:355, in pandas._libs.tslibs.strptime.array_strptime()
ValueError: time data "1974" doesn't match format "%Y.%m", at position 0. You might want to try:
- passing `format` if your strings have a consistent format;
- passing `format='ISO8601'` if your strings are all ISO8601 but not necessarily in exactly the same format;
- passing `format='mixed'`, and the format will be inferred for each element individually. You might want to use `dayfirst` alongside this.
assistant:
エラー内容を確認すると、'time'カラムのデータを日時に変換する際に問題が発生しているようです。
今回のデータセットの'time'カラムの形式は '1974'、'1974.08333' のように年とその年の進行度を表す形式で、これを日時形式に変換するのは難しいです。
したがって、実際には'time'カラムをそのまま使用するのが最善かと思います。ですので、以下のようにロード関数を修正します。ただし、この場合 'time'カラムは日時ではなく単に連続する実数であることに注意が必要です。
def load_data(dataset_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
series = pd.Series(df['deaths'].values, index=df['time'])
return series
これにより、to_datetime関数による形式変換は不要になります。
またARIMAおよびSARIMAモデルは等間隔の時刻シリーズデータを前提としていますが、今回の時間データは等間隔ではありません。ですので、最初の時間から等間隔に月毎のデータを設定すると良いでしょう。具体的には、最初の年の最初の月（1974年1月）から、データのレコード数分だけ月を進めていきます。
以下に修正したコードを示します。
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
start = pd.Timestamp(year=int(df['time'].iloc[0]), month=1, day=1)
date_range = pd.date_range(start=start, periods=len(df), freq='MS')
series = pd.Series(df['deaths'].values, index=date_range)
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp,
end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int],
seasonal_order: Tuple[int, int, int, int],
start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(15, 10))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('UK Female 25-34 mortality data by month')
plt.legend()
plt.show()
series = load_data('deaths') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,0,12),
start=series.index[0], end=series.index[-1])
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
user:
ありがとうございます。次の結果が得られました。
ARIMA model MSE: 569506.181
SARIMA model MSE: 20059.256
assistant:
ARIMAモデルとSARIMAモデルを比較すると、SARIMAモデルの方が平均二乗誤差（MSE）が小さく、より実際のデータを正確に予測できていることがわかります。
SARIMAモデルは季節性を考慮したモデルであり、今回のように月ごとの変動があるデータには適しています。一方、ARIMAモデルは非季節性モデルであるため、季節性を強く持つデータに対しては予測精度が落ちる可能性があります。
この結果、予測モデルの選択はデータの特性によります。今回のような月単位のデータ分析には季節性を考慮したモデル（SARIMAなど）を使用するのが良いと考えられます。
user:
それでは、Johnson & Johnson 社の四半期ごとの売上（JohnsonJohnson）を、カラム名をしっかり確認しながらロードしてから、ARIMAとSARIMAを用いて解析し、実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化するPythonコードを書いてください。その際に、データをトレーニングデータとテストデータに分割し、テストデータに対する予測のずれを評価してください。型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
まず、pydatasetパッケージのdata関数を使って"JohnsonJohnson"データセットをロードし、カラム名を確認します。
from pydataset import data
df = data('JohnsonJohnson')
print(df.head())
これにより、データセットのカラム名を確認できます。また、'JohnsonJohnson'データセットは四半期ごとの売上を示しているため、季節性を持つと考えられます。したがって、非季節性モデルのARIMAよりも季節性モデルのSARIMAの方が適している可能性が高いです。
カラム名が確認できたら、それを元に完全な解析スクリプトを書いてみます。
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str, column_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
start = pd.Timestamp(year=int(df['time'].iloc[0]), month=1, day=1)
date_range = pd.date_range(start=start, periods=len(df), freq='QS')
series = pd.Series(df[column_name].values, index=date_range)
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp,
end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int],
seasonal_order: Tuple[int, int, int, int],
start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(12, 8))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('Johnson & Johnson Quarterly Earnings per Share')
plt.legend()
plt.show()
series = load_data('JohnsonJohnson', 'time') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,1,4),
start=series.index[0], end=series.index[-1])
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
以上で、"JohnsonJohnson"データセットの四半期売上に対してARIMAとSARIMAモデルを適用し、予測結果を可視化するスクリプトが完成しました。
user:
ありがとうございます。最初のコードについては、次の結果が得られました。
time JohnsonJohnson
1 1960.00 0.71
2 1960.25 0.63
3 1960.50 0.85
4 1960.75 0.44
5 1961.00 0.61
assistant:
上記の結果から、Johnson & Johnson社の四半期売上データは、'time'列に年を小数点で表現した時間情報（例：1960年第2四半期は1960.25と表現）と、'JohnsonJohnson'列に四半期の売上を持つことが確認できました。
したがって、データをロードする際には 'JohnsonJohnson'列を使用し、インデックスとして 'time'列を適切な日付情報に変換したものを使用します。
以下のようにコードを修正します。
def load_data(dataset_name: str, column_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
start_year = int(df['time'].iloc[0])
start = pd.Timestamp(year=start_year, month=1, day=1)
quarters = np.round((df['time'].values - start_year) * 4).astype(int) + 1
date_range = pd.date_range(start=start, periods=len(df), freq='QS')
series = pd.Series(df[column_name].values, index=date_range)
return series
series = load_data('JohnsonJohnson', 'JohnsonJohnson') # データのロード
これで、期待通りJohnson & Johnson社の四半期売上データをロードできるはずです。後はこのデータを用いてARIMAとSARIMAモデルで予測を行うと良いでしょう。
user:
ここまでの議論を踏まえて、修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
以下に、改良した全コードを示します。配列データを扱うためのパッケージnumpyを、シリーズデータを扱うためのpandasは必要です。pydatasetはデータセットを呼び出すために、ARIMAとSARIMAは時系列予測モデルを作るために、mean_squared_errorはモデルの精度を評価するために必要です。また、結果を視覚化するためにmatplotlib.pyplotも必要です。
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
start_year = int(df['time'].iloc[0])
start = pd.Timestamp(year=start_year, month=1, day=1)
date_range = pd.date_range(start=start, periods=len(df), freq='QS')
series = pd.Series(df['JohnsonJohnson'].values, index=date_range)
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp,
end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int],
seasonal_order: Tuple[int, int, int, int],
start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと各モデルによる予測値をプロットする関数"""
plt.figure(figsize=(15, 10))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('Johnson & Johnson Quarterly Earnings per Share')
plt.legend()
plt.show()
series = load_data('JohnsonJohnson') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1]) # ARIMAによる予測
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(0,1,1,4),
start=series.index[0], end=series.index[-1]) # SARIMAによる予測
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:])) # ARIMAによるモデルの評価
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:])) # SARIMAによるモデルの評価
このコードは、'JohnsonJohnson'データセットをロードし、ARIMAモデルとSARIMAモデルを適用して予測結果を可視化します。ARIMAモデルとSARIMAモデルのパラメータはともに(1, 1, 1)を使用しています。これはARIMAモデルの自己回帰項、差分項、移動平均項の数を表しています。SARIMAモデルではさらに季節性のパラメータ(0, 1, 1, 4)を指定しています。これは季節性の自己回帰項、差分項、移動平均項の数と周期を表しています。最後に、テストデータに対するそれぞれのモデルの平均二乗誤差（MSE）を計算し、各モデルの予測精度を評価します。
user:
ありがとうございます。次の結果が得られました。
ARIMA model MSE: 13.591
SARIMA model MSE: 7.193
assistant:
この結果から、SARIMAモデルの平均二乗誤差（MSE）がARIMAモデルよりも小さいことがわかります。つまり、Johnson & Johnson社の四半期売上データに対しては、SARIMAモデルの方がARIMAモデルよりも優れた予測精度を示しています。
MSEの値が小さいほどモデルの予測が正確であることを示します。つまり、SARIMAモデルの方が実際のテストデータに対する予測の誤差が小さく、より精度の高い予測が可能であると言えます。
これはSARIMAモデルが季節要素を考慮したモデルであるため、四半期ごとの売上データのような季節性を含むデータの予測に適しているためと考えられます。一方、ARIMAモデルは非季節性モデルであるため、季節性を強く持つデータに対しては予測精度が低くなる可能性があります。
これらの結果から、適切な時系列分析モデルを選択する際には、対象となるデータの特性（例えば季節性）を考慮する必要があることが分かります。
user:
それでは、Lake Huronの水位（LakeHuron）を、カラム名をしっかり確認しながらロードしてから、ARIMAとSARIMAを用いて解析し、実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化するPythonコードを書いてください。その際に、データをトレーニングデータとテストデータに分割し、テストデータに対する予測のずれを評価してください。型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
まず、pydatasetパッケージのdata関数を使って"LakeHuron"データセットをロードし、カラム名を確認します。
from pydataset import data
df = data('LakeHuron')
print(df.head())
これにより、データセットのカラム名を確認できます。'LakeHuron'データセットは年ごとのデータであるため、季節性は考慮不要な場合が多いです。もし季節性が確認できれば、季節性モデルのSARIMAが適していると考えられます。
カラム名が確認できたら、それを元に完全な解析スクリプトを書いてみます。
def load_data(dataset_name: str, column_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
start = pd.Timestamp(year=int(df['time'].iloc[0]), month=1, day=1)
date_range = pd.date_range(start=start, periods=len(df), freq='YS')
series = pd.Series(df[column_name].values, index=date_range)
return series
series = load_data('LakeHuron', 'LakeHuron') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,1,1),
start=series.index[0], end=series.index[-1])
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
以上で、"LakeHuron"データセットの年次水位に対してARIMAとSARIMAモデルを適用し、予測結果を可視化するスクリプトが完成しました。
user:
ありがとうございます。最初のコードについては、次の結果が得られました。
time LakeHuron
1 1875 580.38
2 1876 581.86
3 1877 580.97
4 1878 580.80
5 1879 579.79
assistant:
こちらの結果から、'LakeHuron'データセットのカラムは'time'と'LakeHuron'であることがわかります。'time'カラムは各年を表し、'LakeHuron'カラムはその年のLake Huronの水位を表しています。
これに基づいて以下のようにコードを修正します。
series = load_data('LakeHuron', 'LakeHuron') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(0,0,0,0),
start=series.index[0], end=series.index[-1])
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
これで、Lake Huronの年次水位データに対してARIMAモデルとSARIMAモデルを適用し、結果を可視化することができます。最後に、テストデータに対するそれぞれのモデルの平均二乗誤差を計算して予測の精度を確認します。なお、ここでは季節性がないと判断し、SARIMAモデルの季節性パラメータとしてはすべて0を設定しています。
user:
ここまでの議論を踏まえて、修正した全コードを書いてください。またその際に、型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
以下に、改良した全コードを示します。
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str, column_name: str) -> pd.Series:
"""データをロードする関数"""
df = data(dataset_name)
start = pd.Timestamp(year=int(df['time'].iloc[0]), month=1, day=1)
date_range = pd.date_range(start=start, periods=len(df), freq='YS')
series = pd.Series(df[column_name].values, index=date_range)
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp,
end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int],
seasonal_order: Tuple[int, int, int, int],
start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元のデータと予測値をプロットする関数"""
plt.figure(figsize=(10, 6))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('Lake Huron Annual Water Level')
plt.legend()
plt.show()
series = load_data('LakeHuron', 'LakeHuron') # データのロード
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:] # データの分割
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1]) # ARIMAによる予測
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(0,0,0,0),
start=series.index[0], end=series.index[-1]) # SARIMAによる予測
plot_all_data(series, train, arima_pred, sarima_pred) # データのプロッティング
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:])) # ARIMAによるモデルの評価
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:])) # SARIMAによるモデルの評価
このコードは、'LakeHuron'データセットをロードし、ARIMAモデルとSARIMAモデルを適用して予測を行い、その結果を可視化します。また、テストデータに対するそれぞれのモデルの平均二乗誤差（MSE）を計算し、予測の精度を評価します。
user:
ありがとうございます。次の結果が得られました。
ARIMA model MSE: 7.521
SARIMA model MSE: 7.521
assistant:
ご連絡ありがとうございます。
こちらの結果から、ARIMAモデルとSARIMAモデルが同程度の予測精度（同じMSE値）を達成したことがわかります。これは、'LakeHuron'データセットが季節性を持たないため、ARIMAモデルと季節性を用いないSARIMAモデルが同様の結果になるのが期待されます。
予測モデルの選択では、データの特性（季節性、トレンドなど）を考慮することが重要です。季節性を持つデータに対してはSARIMA等の季節性を考慮したモデルを、季節性を持たないデータに対してはARIMA等の季節性を考慮しないモデルを適用すると良い結果が得られます。
user:
それでは、不況（UScereal）を、カラム名をしっかり確認しながらロードしてから、ARIMAとSARIMAを用いて解析し、実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化するPythonコードを書いてください。その際に、データをトレーニングデータとテストデータに分割し、テストデータに対する予測のずれを評価してください。型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
まず、pydatasetパッケージのdata関数を使って"UScereal"データセットをロードし、カラム名を確認します。
from pydataset import data
df = data('UScereal')
print(df.head())
これにより、データセットのカラム名を確認できます。'UScereal'データセットは商品に関するデータであるため、不況などの要素を理解するためにはより適切なデータセットを選択する必要があります。"UScereal"データセットは経済活動を反映しない可能性が高いです。
カラム名が確認できたら、それを元に完全な解析スクリプトを書いてみます。ただし、"UScereal"データセットが時系列データであるかどうか、適切なカラムが存在するかなどを確認する必要があります。商品に関するデータの中で時系列データとなるカラムが存在しない場合、ARIMAやSARIMAなどの時系列解析モデルを適用することはありません。
また、通常、不況などのマクロ経済指標を反映するためには、GDPや失業率、インフレ率などのマクロ経済データを用いるのが一般的です。また、そのようなデータは通常、四半期や年次で公表され、これらには明確な季節性やトレンドが存在する可能性があります。従って、不況を分析するための適切なデータセットを選択し、それに基づいて適切な時系列分析モデルを選択することが重要です。
user:
ありがとうございます。最初のコードについては、次の結果が得られました。
mfr calories protein fat sodium \
100% Bran N 212.12121 12.121212 3.030303 393.93939
All-Bran K 212.12121 12.121212 3.030303 787.87879
All-Bran with Extra Fiber K 100.00000 8.000000 0.000000 280.00000
Apple Cinnamon Cheerios G 146.66667 2.666667 2.666667 240.00000
Apple Jacks K 110.00000 2.000000 0.000000 125.00000
fibre carbo sugars shelf potassium \
100% Bran 30.303030 15.15152 18.181818 3 848.48485
All-Bran 27.272727 21.21212 15.151515 3 969.69697
All-Bran with Extra Fiber 28.000000 16.00000 0.000000 3 660.00000
Apple Cinnamon Cheerios 2.000000 14.00000 13.333333 1 93.33333
Apple Jacks 1.000000 11.00000 14.000000 2 30.00000
vitamins
100% Bran enriched
All-Bran enriched
All-Bran with Extra Fiber enriched
Apple Cinnamon Cheerios enriched
Apple Jacks enriched
assistant:
データセットの確認ありがとうございます。「UScereal」データセットは、各種シリアル製品の栄養情報をまとめたもので、時系列情報を含んでいません。そのため、ARIMAやSARIMAといった時系列分析モデルをこのデータに適用することは不適切です。
pydatasetには、「USUnemployment」や「USGDPpresidents」などのような時系列データも含まれています。これらのデータセットは、マクロ経済の動向（失業率やGDPなど）を反映しているため、不況の分析にはこれらのデータセットが適しています。
ARIMAやSARIMAといった時系列解析モデルは、時間に依存するデータに対してのみ適用可能であり、それぞれの観測値が時間に沿ってどのように変化していくかを予測します。時系列データの例としては、株価の推移、月間売上高、年間気温の変化などがあります。このようなデータに対して時系列解析を行うことで、未来の値を予測したり、データのトレンドや季節性を特定したりします。
user:
それでは、USUnemploymentデータセットを、カラム名をしっかり確認しながらロードしてから、ARIMAとSARIMAを用いて解析し、実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化するPythonコードを書いてください。その際に、データをトレーニングデータとテストデータに分割し、テストデータに対する予測のずれを評価してください。型ヒントも導入してください。コード中に日本語での説明も可能な限り詳しくお願いします。Pythonのコーディング規約PEP8に準拠してください。
assistant:
まず、'USUnemployment' データセットをロードし、カラム名を確認します。
from pydataset import data
df = data('USUnemployment')
print(df.head())
このコードにより、'USUnemployment' データのカラム名を確認します。その後、適切なカラム名（時系列となるカラム）を用いて、ARIMAモデルとSARIMAモデルを適用するコードを書くことができます。
カラム名が確認できたサンプルとして、以下のコードを提供します。ただし、指定したデータセットのカラム名に応じて、適切なカラム名を指定してデータをロードしてください。すなわち、「USUnemployment」のカラム名を確認した上で、必要なカラム名を指定してください。
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str, column_name: str) -> pd.Series:
"""データを読み込む関数"""
df = data(dataset_name)
start = pd.Timestamp(year=int(df['time'].iloc[0]), month=1, day=1)
date_range = pd.date_range(start=start, periods=len(df), freq='MS')
series = pd.Series(df[column_name].values, index=date_range)
return series
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int], seasonal_order: Tuple[int, int, int, int], start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元データと予測データをプロットする関数"""
plt.figure(figsize=(10, 6))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('US Unemployment Rate')
plt.legend()
plt.show()
# データのロード
series = load_data('USUnemployment', 'UNEMPLOY')
# データの80％をトレーニングデータに、20％をテストデータに使う
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:]
# ARIMAモデルの適用
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
# SARIMAモデルの適用
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,1,12), start=series.index[0], end=series.index[-1])
# 元データと予測データのプロット
plot_all_data(series, train, arima_pred, sarima_pred)
# テストデータに対する予測の精度（MSE）の確認
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
このコードは前述のものと基本的に同じですが、「USUnemployment」データセットからデータをロードし、使用するカラムを選択する部分が異なります。具体的なカラム名は、「USUnemployment」データセットの内容に応じて再度確認してください。
user:
ありがとうございます。次の結果が得られました。
Did you mean:
Unemployment, Employment, cement, Punishment, siemens
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
Cell In[31], line 3
1 from pydataset import data
2 df = data('USEmployment')
----> 3 print(df.head())
AttributeError: 'NoneType' object has no attribute 'head'
assistant:
すみません、私の誤りです。「USUnemployment」ではなく、「USmonthlydeaths」を指定することで、月毎の死亡者数に関する時系列データセットを取得することができます。ただし、このデータセットもデータとしては「不況」を表現するものではありませんのでご注意ください。
以下のコードでデータセットをロードできます：
from pydataset import data
df = data('USmonthlydeaths')
print(df.head())
また、pydatasetモジュールが持っているデータセット名の一覧は以下のコマンドで参照できます：
print(data().index)
また、データセット名がわからない場合はキーワードを指定して検索することも可能です：
print(data('unemployment'))
これにより、キーワード「unemployment」を含むデータセット名が表示されます。これらのコマンドを組み合わせて、適切なデータセットを探すことが可能です。
user:
ありがとうございます。次の結果が得られました。
Did you mean:
Snow.deaths, USAccDeaths, deaths, birthdeathrates, VADeaths, sunspot.year
---------------------------------------------------------------------------
AttributeError Traceback (most recent call last)
Cell In[32], line 4
1 from pydataset import data
3 df = data('USmonthlydeaths')
----> 4 print(df.head())
AttributeError: 'NoneType' object has no attribute 'head'
assistant:
失礼いたしました。'US monthly deaths'というデータセットは存在しないようです。data()関数に指定するデータセット名が正しいかを再チェックし、またデータセットが時系列データであることを確認してください。以下のようなコードを実行して、利用可能なデータセットのリストを確認してみてください：
from pydataset import data
# 利用可能なデータセットのリストを取得
datasets = data()
# データセットのリストを表示
print(datasets)
これにより、使用可能なデータセットの名前と説明を確認することができます。その中から時系列データを選び、その名前をdata()関数に指定してデータを読み込んでみると良いでしょう。
user:
ありがとうございます。次の結果が得られました。
dataset_id title
0 AirPassengers Monthly Airline Passenger Numbers 1949-1960
1 BJsales Sales Data with Leading Indicator
2 BOD Biochemical Oxygen Demand
3 Formaldehyde Determination of Formaldehyde
4 HairEyeColor Hair and Eye Color of Statistics Students
.. ... ...
752 VerbAgg Verbal Aggression item responses
753 cake Breakage Angle of Chocolate Cakes
754 cbpp Contagious bovine pleuropneumonia
755 grouseticks Data on red grouse ticks from Elston et al. 2001
756 sleepstudy Reaction times in a sleep deprivation study
[757 rows x 2 columns]
assistant:
使用可能なデータセットのリストが表示されましたね。
今回は時系列分析を行うため、「AirPassengers」データセットを使用することを提案します。このデータセットには、1949-1960年の月間航空旅客数が含まれています。
以下に、「AirPassengers」データセットをロードし、ARIMAとSARIMAを用いて解析し、実際のデータと、ARIMAによる予測値、SARIMAによる予測値を同じグラフ上で可視化するPythonコードを示します：
from typing import Tuple
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pydataset import data
from sklearn.metrics import mean_squared_error
def load_data(dataset_name: str) -> pd.Series:
"""データを読み込む関数"""
df = data(dataset_name)
return df['AirPassengers']
def apply_arima_model(series: pd.Series, order: Tuple[int, int, int], start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""ARIMAモデルを適用する関数"""
model = ARIMA(series, order=order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def apply_sarima_model(series: pd.Series, order: Tuple[int, int, int], seasonal_order: Tuple[int, int, int, int], start: pd.Timestamp, end: pd.Timestamp) -> pd.Series:
"""SARIMAモデルを適用する関数"""
model = SARIMAX(series, order=order, seasonal_order=seasonal_order)
model_fit = model.fit()
return model_fit.get_prediction(start=start, end=end).predicted_mean
def plot_all_data(original: pd.Series, train: pd.Series, arima: pd.Series, sarima: pd.Series) -> None:
"""元データと予測データをプロットする関数"""
plt.figure(figsize=(10, 6))
plt.plot(original.index, original.values, label='Original')
plt.plot(train.index, train.values, label='Training')
plt.plot(original.index, arima, label='ARIMA')
plt.plot(original.index, sarima, label='SARIMA')
plt.title('Monthly Airline Passenger Numbers')
plt.legend()
plt.show()
# データのロード
series = load_data('AirPassengers')
# データの80％をトレーニングデータに、20％をテストデータに使う
split_point = int(len(series) * 0.8)
train, test = series[:split_point], series[split_point:]
# ARIMAモデルの適用
arima_pred = apply_arima_model(train, order=(1,1,1), start=series.index[0], end=series.index[-1])
# SARIMAモデルの適用
sarima_pred = apply_sarima_model(train, order=(1,1,1), seasonal_order=(1,1,1,12), start=series.index[0], end=series.index[-1])
# 元データと予測データのプロット
plot_all_data(series, train, arima_pred, sarima_pred)
# テストデータに対する予測の精度（MSE）の確認
print('ARIMA model MSE: %.3f' % mean_squared_error(test, arima_pred[split_point:]))
print('SARIMA model MSE: %.3f' % mean_squared_error(test, sarima_pred[split_point:]))
上記のコードでは「AirPassengers」データセットを読み込み、ARIMAモデルとSARIMAモデルを適用しています。また、各モデルの予測結果を元のデータとともにプロットし、テストデータに対する予測の精度（MSE）を表示しています。モデルのパラメータは適当なものを選んでいますので、適切なパラメータ選択のためにはグリッドサーチ等が必要となります。
user:
ありがとうございました。だいたい分かった気がします。それでは、ここまでの議論を踏まえて、ARIMAとSARIMAについて詳しいまとめを書いてください。
assistant:
ARIMA（自己回帰和分移動平均モデル）とSARIMA（季節性自己回帰和分移動平均モデル）は、時系列分析のためのモデルです。原系列に対して自己回帰モデル(AR)、和分過程(I)、移動平均モデル(MA)を組み合わせたモデルがARIMAモデルであり、これに季節変動を捉えるための要素を追加したものがSARIMAモデルです。
ARIMAモデルは3つのパラメータを持ち、それぞれAR（自己回帰）の次数、I（和分）の次数、MA（移動平均）の次数を表します。SARIMAモデルはこれに加え、季節性のAR、I、MAの次数、および季節周期を表す追加の4つのパラメータを持ちます。
これらのモデルは、時間に依存するデータに対して有効で、株価の推移や売上高の動向など、観測値が時間に沿ってどのように変化するかを捉えるのに使用されます。そして、それぞれの観測値が過去の観測値にどの程度依存しているか（AR）、値が長期的なトレンドからどの程度乖離しているか（I）、および値がランダムなノイズからどの程度影響を受けているか（MA）を捉えることができます。
その一方で、ARIMAやSARIMAのような時系列モデルは、データがある種の仮定を満たすことを必要とします。例えば、データが定常性を持つこと（つまり、平均と分散が時間に依存しないこと）が必要です。データがこれらの仮定を満たさない場合、モデルに対する予測は不正確になる可能性があります。
Pythonには、ARIMAやSARIMAなどの時系列モデルを簡単に実装できるライブラリが提供されています。たとえば、statsmodelsライブラリは、「ARIMA」や「SARIMAX」などのクラスを提供しており、これらを使用すると、時系列データへのARIMAモデルやSARIMAモデルのフィット、予測値の計算、モデルのパラメータの推定などを行うことができます。
時系列データの分析に当たっては、モデルの選択やパラメータの調整、さらには異常値の取り扱いなど、考慮すべき要素が多く存在します。そして、これらの適切な取り扱いが、予測の精度に直結します。今回提供したコードはあくまで基礎的な部分を示したものであり、本格的な分析に当たっては、交差検証やグリッドサーチを用いたパラメータ調整、データの前処理など、さまざまな手法を駆使して分析の精度を向上させることが求められます。
user:
ありがとうございました。それでは、これまでの議論を踏まえた小説を創作してください。
assistant:
タイトル：『未来の予約』
普通のサラリーマンである主人公、ジェイソンは、ある日、古くからの友人から特殊な能力を持つと知らされる。それは、時系列データから未来を予測するというものだった。
友人は大学で統計学を専攻し、ヘッジファンドで数値的予測を行っている。彼はジェイソンに「ARIMA」と「SARIMA」という二つのモデルを教えてくれた。"ARIMAはトレンドとランダムなノイズを捉える一方、SARIMAはそれに加え、季節性も考慮できるんだよ"と、友人は説明した。
最初は困惑していたジェイソンだったが、予測モデルの仕組みを活用することで、時系列データに隠されたパターンを察知する能力が芽生え、次第に予測の精度も向上していった。景気の動きを予測し、株価の動向を見抜くジェイソンは、次第に仲間から「未来予知者」と称されるようになった。
しかし、すべてが順風満帆だったわけではなかった。"データは常に定常性を持つわけではない。また、異常値の取り扱い、モデルの選択やパラメータ調整も大事だよ。"と警告してくれた友人の言葉は、ジェイソンの頭に、まるで釘が打たれたように深く刻まれていた。
そしてある日、未来の予測が外れ、大きな損害を被ったジェイソン。しかし、彼は絶望せず、計算と予測の根本を見つめ直す。数日間、データと格闘した末、ジェイソンは気づく。自分の見落としていた部分、それはデータの前処理とパラメータの最適化だった。彼は新たな気持ちでモデルの再構築に取り組む。
結果、ジェイソンの予測は再び的中し始める。彼はその能力を、仲間たちの利益だけでなく、より大きな社会貢献へと繋げようと決心した。旅の先に何が待っているかは分からない。しかし、統計モデルの力と自分の直感を信じて、ジェイソンは未来へと進み続けるのであった。