使用purrr / tidyverse在R中迭代应用基于商店产品的时间序列模型

问题描述

我有以下时间序列：

data = data.frame(Date=c('2017-01-01','2017-02-01','2017-03-01','2017-04-01','2017-05-01','2017-06-01','2017-01-01','2017-06-01'),store=c('A','A','B','C','C'),prod_id=c('p1','p2','p3','p4','p5','p6','p1','p6'),sales=c('12.1','13','15','10','12','9.0','12.5','13.3','14.8','11','12.1','12.2','10.9','13.4','11.1'))

data

       Date     store  prod_id  sales
1  2017-01-01     A         p1   12.1
2  2017-02-01     A         p2     13
3  2017-03-01     A         p3     15
4  2017-04-01     A         p4     10
5  2017-05-01     A         p5     12
6  2017-06-01     A         p6    9.0
7  2017-01-01     B         p1   12.5
8  2017-02-01     B         p2   13.3
9  2017-03-01     B         p3   14.8
10 2017-04-01     B         p4     11
11 2017-05-01     B         p5     10
12 2017-06-01     B         p6   12.1
13 2017-01-01     C         p1     13
14 2017-02-01     C         p2   12.2
15 2017-03-01     C         p3     11
16 2017-04-01     C         p4   10.9
17 2017-05-01     C         p5   13.4
18 2017-06-01     C         p6   11.1

列中的唯一值是：

sapply(data[c('Date','store','prod_id')],unique)

$Date
[1] "2017-01-01" "2017-02-01" "2017-03-01" "2017-04-01" "2017-05-01" "2017-06-01"

$store
[1] "A" "B" "C"

$prod_id
[1] "p1" "p2" "p3" "p4" "p5" "p6"

我需要帮助明智地预测产品销售情况。粗略的方法可能是使用for循环，首先选择每个商店，然后在每个商店内再次进行for循环，遍历每个产品时间序列并预测1个周期。使用tidyverse包中purrr的嵌套功能，可以使此过程更有效？（TS模型：预测包中的auto.arima）

解决方法

这是一个选项-将“日期”转换为Date类后，将“存储”将nest编辑的数据更改为tsibble，并生成model

library(dplyr)
library(purrr)
library(fpp3)
library(tsibble)
data %>%
   mutate(Date = as.Date(Date)) %>%
   group_by(store) %>% 
  nest %>%
  mutate(data = map(data,~ as_tsibble(.x,index = 'Date') %>% 
        model(arima = ARIMA(sales))))

purrr r r tidyverse time-series