### 使用 `rpy2` 调用 R 的 `forecast` 包进行时间序列预测 为了在 Python 中调用 R 的 `forecast` 包并执行时间序列预测，可以通过安装和配置 `rpy2` 来实现这一功能。以下是具体的操作方法： #### 安装必要的软件包 首先，在 Python 和 R 环境下分别安装所需的库。 对于 Python： ```bash pip install rpy2 ``` 对于 R，则需确保已安装 `forecast` 包以及其他依赖项。如果尚未安装这些包，可以在 R 控制台中运行如下命令来完成安装： ```r install.packages("forecast") ``` #### 加载所需模块与初始化设置 接着，在 Python 文件或交互式会话里加载相应的模块，并启动 R 内核以便后续操作。 ```python import pandas as pd from rpy2.robjects import pandas2ri, globalenv from rpy2.robjects.conversion import localconverter from rpy2.robjects.vectors import FloatVector from rpy2.robjects.packages import importr base = importr('base') stats = importr('stats') # 导入R的基础统计函数集 forecast_package = importr('forecast') pandas2ri.activate() ``` #### 准备数据并向 R 发送 准备要用于建模的时间序列数据，并将其转换成适合传递给 R 处理的形式——即创建一个具有适当频率属性的 ts 对象[^3]。 ```python # 假设有一个名为 'data' 的 Pandas Series 或 DataFrame 列作为输入 with localconverter(ro.default_converter + ro.pandas2ri.converter): r_data_vector = conversion.py2rpy(data) # 将 Python 数据结构转化为 R 的 time series (ts) 类型变量；这里假定周期为12个月 r_ts_object = stats.ts(r_data_vector, frequency=12) globalenv['my_timeseries'] = r_ts_object ``` #### 训练模型及生成预测结果 利用上述构建好的 ts 对象训练神经网络自动回归模型 (`nnetar`) 并对未来若干期作出预估。 ```python model_nnetar = forecast_package.nnetar(my_timeseries) predictions = forecast_package.forecast(model_nnetar, h=8)[0] # 提取预测均值并将它们带回至 Python 空间内处理 predicted_values = base.as_numeric(predictions.rx(True)) print(predicted_values) ``` 通过这种方式即可实现在 Python 下无缝集成来自 R 生态系统的高级时间序列分析工具链，从而充分利用两者各自的优势特性[^1]。