家庭用电数据分析与 Prophet 预测

家庭用电数据分析基于 240000-household-electricity-consumption-records 数据集，涵盖 2007 年 1 月至 6 月的有功功率、无功功率、电压及分项计量数据。通过 Pandas 进行数据清洗与探索性分析，包括缺失值处理、类型转换及相关性热力图绘制。利用 Facebook Prophet 库构建时间序列预测模型，针对有功功率、无功功率、电压和电流强度进行未来 180 天预测。Prophet 模型具备自动趋势探测、季节性拟合及节假日效应处理能力，对缺失值和异常值具有鲁棒性，适合强季节效应的时间序列场景。

王初壹发布于 2026/3/15更新于 2026/4/252 浏览

数据集来源：Household Electricity Consumption | Kaggle

数据集简介

240000-household-electricity-consumption-records 数据集包含了一个家庭 6 个月的用电数据，收集于 2007 年 1 月至 2007 年 6 月。这些数据包括全球有功功率、全球无功功率、电压、全球强度、分项计量 1（厨房）、分项计量 2（洗衣房）和分项计量 3（电热水器和空调）等信息。该数据集共有 260,640 个测量值。

列名	说明
Date	日期
Time	时间
Globalactivepower	该家庭所消耗的总有功功率（千瓦）
Globalreactivepower	该家庭消耗的总无功功率（千瓦）
Voltage	向家庭输送电力的电压（伏特）
Global_intensity	输送到家庭的平均电流强度（安培）
Submetering1	厨房消耗的有功功率（千瓦）
Submetering2	洗衣房所消耗的有功功率（千瓦）
Submetering3	电热水器和空调所消耗的有功功率（千瓦）

探索性分析

导入数据集并读取头部

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data_path = "./household_power_consumption.csv"
df = pd.read_csv(data_path, index_col='index')
df.head()

文章配图

面向特定客户时可将列名替换为中文

# 将列名替换为中文
# df.rename(columns={
#     'Date': '日期',
#     'Time': '时间',
#     'Global_active_power': '有功功率',
#     'Global_reactive_power': '无功功率',
#     'Voltage': '电压',
#     'Global_intensity': '电流',
#     'Sub_metering_1': '厨房的有功功率',
#     'Sub_metering_2': '洗衣房的有功功率',
#     'Sub_metering_3': '电热水器和空调的有功功率',
# }, inplace=True)
# # 再次预览前 5 行数据
# df.head()

对 DataFrame 中的数值列进行统计

df.describe()

文章配图

查看 DataFrame 中各列的数据类型

df.dtypes

文章配图

转换数据格式

from tqdm.auto import tqdm
from ipywidgets import HBox, FloatProgress, HTML

# 将'Date'列转换为日期时间格式
df['Date'] = pd.DatetimeIndex(df['Date'])

# 定义需要转换为数字的列
make_em_num = ['Global_active_power', 'Global_reactive_power', 'Voltage', 'Global_intensity', 'Sub_metering_1', 'Sub_metering_2', 'Sub_metering_3']

# 定义一个函数，将字符串转换为浮点数，如果转换失败则返回 0
def floating(string):
    try:
        return float(string)
    except:
        return float(0)

# 遍历需要转换为数字的列
for column in tqdm(make_em_num):
    # 将列中的每个元素应用 floating 函数，转换为浮点数
    df[column] = df[column].apply(lambda item: floating(item))

# 创建一个水平布局，包含一个浮点进度条和一个 HTML 元素
HBox(children=(FloatProgress(value=0.0, max=7.0), HTML(value='')))

查看转换效果，转换后的数据类型

df.dtypes

文章配图

查看转换效果，转换后的数据头部

df.head()

文章配图

绘制相关系数热力图。使用 Seaborn 库中的 heatmap 函数来绘制一个热力图，展示数据框 df 中各列之间的相关性

df.drop 表示删除名为 index、Date 和 Time 的列。axis=1 表示按列删除。
annot=True，使得热力图上显示相关系数的具体数值。

import seaborn as sns
sns.heatmap(df.drop(['Date','Time'], axis=1).corr(), annot=True)

文章配图

Prophet 预测

https://github.com/facebook/prophet

Prophet 是一种基于可加性模型预测时间序列数据的程序，其中非线性趋势可以按年度、每周和每日的季节性，以及假日效应进行拟合。它最适合于具有强烈季节效应的时间序列和有几个季节的历史数据。Prophet 对于缺失的数据和趋势的变化是稳健的，并且通常能够很好地处理异常值。

获取 DataFrame 的形状

from prophet import Prophet
df.shape

文章配图

通过 Prophet 对有功功率和电压进行预测

# 从数据框中随机抽取 10000 行
df = df.sample(n=10000)

# 定义一个函数，用于使用 Prophet 模型进行预测
def prophet_forecaster(data, x, y, period=100):
    # 创建一个新的数据框，包含日期和目标变量
    new_df = pd.DataFrame(columns=['ds', 'y'])
    new_df['ds'] = data[x]
    new_df['y'] = data[y]
    
    # 创建一个 Prophet 模型
    model = Prophet()
    
    # 使用新的数据框进行模型训练
    model.fit(new_df)
    
    # 创建未来日期的数据框
    future_dates = model.make_future_dataframe(periods=period)
    
    # 使用模型进行预测
    forecast = model.predict(future_dates)
    
    # 绘制预测结果
    model.plot(forecast)
    
    # 设置图表标题
    plt.title(f"Forecasting on the next {period} days for {y}")

# 使用 Prophet 模型对 Global_active_power 进行预测
prophet_forecaster(df, x='Date', y='Global_active_power', period=180)

# 使用 Prophet 模型对 Global_reactive_power 进行预测
prophet_forecaster(df, x='Date', y='Global_reactive_power', period=180)

# 使用 Prophet 模型对 Voltage 进行预测
prophet_forecaster(df, x='Date', y='Voltage', period=180)

# 使用 Prophet 模型对 Global_intensity 进行预测
prophet_forecaster(df, x='Date', y='Global_intensity', period=180)

未来半年有功功率预测结果：

文章配图

未来半年无功功率预测结果

文章配图

未来半年电压预测结果：

文章配图

未来半年电流预测结果

文章配图

Prophet 模型

g(t) 表示趋势函数，能够拟合非周期性变化；
s(s) 表示周期性变化，例如每周，每年，每季节等；
h(t) 表示假期变化，节假日通常为一天或多天；
ϵt 为噪声项，表示随机无法预测的波动，通常假设ϵt 是高斯的。

Prophet 理念

趋势中有两个增长函数，分别是分段线性函数（linear）和非线性逻辑回归函数（logistic）。通过从数据中选择变化点，Prophet 自动探测趋势变化；
使用傅里叶级数建模每年的季节分量；
使用虚变量代表过去，将来的相同节假日，属于节假日就为 1，不属于就是 0;
用户提供的重要节假日列表
Modeling：建立时间序列模型。分析师根据预测问题的背景选择一个合适的模型。
Forecast Evaluation：模型评估。根据模型对历史数据进行仿真，在模型的参数不确定的情况下，我们可以进行多种尝试，并根据对应的仿真效果评估哪种模型更适合。
Surface Problems：呈现问题。如果尝试了多种参数后，模型的整体表现依然不理想，这个时候可以将误差较大的潜在原因呈现给分析师。
Visually Inspect Forecasts：以可视化的方式反馈整个预测结果。当问题反馈给分析师后，分析师考虑是否进一步调整和构建模型。

Prophet 优点

准确，快速，高效率地拟合，可以针对所需关键数据进行交互式探索
集成全自动流程，无需人工操作就能对混乱的数据做出合理的预测
可调整的预测，预测模型的参数非常容易解释，可用业务知识改进或调整预测
对缺失值和变化剧烈的时间序列和离散值有很好的鲁棒性，不需要填补缺失值；

家庭用电数据分析与 Prophet 预测

王初壹发布于 2026/3/15更新于 2026/4/252 浏览

列名

说明

Date

日期

Time

时间

Globalactivepower

该家庭所消耗的总有功功率（千瓦）

Globalreactivepower

该家庭消耗的总无功功率（千瓦）

Voltage

向家庭输送电力的电压（伏特）

Global_intensity

输送到家庭的平均电流强度（安培）

Submetering1

厨房消耗的有功功率（千瓦）

Submetering2

洗衣房所消耗的有功功率（千瓦）

Submetering3

电热水器和空调所消耗的有功功率（千瓦）

# 将列名替换为中文 # df.rename(columns={ # 'Date': '日期', # 'Time': '时间', # 'Global_active_power': '有功功率', # 'Global_reactive_power': '无功功率', # 'Voltage': '电压', # 'Global_intensity': '电流', # 'Sub_metering_1': '厨房的有功功率', # 'Sub_metering_2': '洗衣房的有功功率', # 'Sub_metering_3': '电热水器和空调的有功功率', # }, inplace=True) # # 再次预览前 5 行数据 # df.head()

from tqdm.auto import tqdm from ipywidgets import HBox, FloatProgress, HTML # 将'Date'列转换为日期时间格式 df['Date'] = pd.DatetimeIndex(df['Date']) # 定义需要转换为数字的列 make_em_num = ['Global_active_power', 'Global_reactive_power', 'Voltage', 'Global_intensity', 'Sub_metering_1', 'Sub_metering_2', 'Sub_metering_3'] # 定义一个函数，将字符串转换为浮点数，如果转换失败则返回 0 def floating(string): try: return float(string) except: return float(0) # 遍历需要转换为数字的列 for column in tqdm(make_em_num): # 将列中的每个元素应用 floating 函数，转换为浮点数 df[column] = df[column].apply(lambda item: floating(item)) # 创建一个水平布局，包含一个浮点进度条和一个 HTML 元素 HBox(children=(FloatProgress(value=0.0, max=7.0), HTML(value='')))

# 从数据框中随机抽取 10000 行 df = df.sample(n=10000) # 定义一个函数，用于使用 Prophet 模型进行预测 def prophet_forecaster(data, x, y, period=100): # 创建一个新的数据框，包含日期和目标变量 new_df = pd.DataFrame(columns=['ds', 'y']) new_df['ds'] = data[x] new_df['y'] = data[y] # 创建一个 Prophet 模型 model = Prophet() # 使用新的数据框进行模型训练 model.fit(new_df) # 创建未来日期的数据框 future_dates = model.make_future_dataframe(periods=period) # 使用模型进行预测 forecast = model.predict(future_dates) # 绘制预测结果 model.plot(forecast) # 设置图表标题 plt.title(f"Forecasting on the next {period} days for {y}") # 使用 Prophet 模型对 Global_active_power 进行预测 prophet_forecaster(df, x='Date', y='Global_active_power', period=180) # 使用 Prophet 模型对 Global_reactive_power 进行预测 prophet_forecaster(df, x='Date', y='Global_reactive_power', period=180) # 使用 Prophet 模型对 Voltage 进行预测 prophet_forecaster(df, x='Date', y='Voltage', period=180) # 使用 Prophet 模型对 Global_intensity 进行预测 prophet_forecaster(df, x='Date', y='Global_intensity', period=180)

家庭用电数据分析与 Prophet 预测

数据集简介

探索性分析

Prophet 预测

Prophet 模型

Prophet 理念

Prophet 优点

家庭用电数据分析与 Prophet 预测

数据集简介

探索性分析

Prophet 预测

Prophet 模型

Prophet 理念

Prophet 优点

更多推荐文章

相关免费在线工具

更多推荐文章

相关免费在线工具

家庭用电数据分析与 Prophet 预测

数据集简介

探索性分析

Prophet 预测

Prophet 模型

Prophet 理念

Prophet 优点

家庭用电数据分析与 Prophet 预测

数据集简介

探索性分析

Prophet 预测

Prophet 模型

Prophet 理念

Prophet 优点

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具