利用python解释器对文件内置的__file__属性获取：




```python
os.path.dirname(os.path.abspath(__file__))
```

os.path.abspath(__file__)是当前py文件在操作系统的绝对路径文件名，os.path.dirname获取文件所在路径。

python 获取当前py文件的绝对路径

# 安装Prophet





python: 3.7.9

pystan: 2.19.0.0

pandas

fbprophet: 0.6.0

anaconda方式：

conda install pystan=2.19.0.0

conda install -c conda-forge fbprophet=0.6.0

# Prophet介绍

https://www.cnblogs.com/bonelee/p/9577432.html

https://facebook.github.io/prophet/docs/quick_start.html

可以预测数据，也可以给出趋势。时间序列预测上，充满专家经验：周期趋势、离群点、突变点、突变。

# 时间跨度

make_future_dataframe中的fre是Offset aliases形式的，用的pandas时间跨度

https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html#timeseries-offset-aliases

比如1hour1min可以表示时间跨度是61分钟

# 预测未来1

利用函数make_future_dataframe生成未来时间DataFrame对象future ：

```python
from fbprophet import Prophet
import pandas as pd
import matplotlib.pyplot as plt
import math
timelist = list(pd.date_range(start='2021-01-01 00:00:00', end='2022-01-01 00:00:00', freq='H'))
y = [math.sin(data.hour) for k, data in enumerate(timelist)]
data_df = pd.DataFrame({'ds': timelist, 'y': y})
data_df['ds'] = data_df['ds'].astype('datetime64[ns]')
m = Prophet()
m.fit(data_df)  # 训练模型m
future = m.make_future_dataframe(periods=50, freq='H',include_history=False)  # 预测的设置 还没预测
forecast = m.predict(future)  # 开始预测
# plt.plot(data_df['ds'][-50:], data_df['y'][-50:], color='b')
# plt.plot(forecast['ds'], forecast['yhat'], color='r')
# plt.show()
plt.plot(list(data_df['ds'][-50:])+list(forecast['ds']),
         list(data_df['y'][-50:])+list(forecast['yhat']), color='b')
plt.show()
```

![在这里插入图片描述](/static/img/images/00332.png)

# 预测未来2

未来任意时间：

```python
# 1 取数据
# https://www.kesci.com/mw/dataset/5d64a35a8499bc002c07bb1b
from fbprophet import Prophet
import pandas as pd
import matplotlib.pyplot as plt
import math
timelist = list(pd.date_range(start='2021-01-01 00:00:00', end='2022-01-01 00:00:00', freq='H'))
y = [math.sin(data.hour) for k, data in enumerate(timelist)]
data_df = pd.DataFrame({'ds': timelist, 'y': y})
data_df['ds'] = data_df['ds'].astype('datetime64[ns]')
m = Prophet()
m.fit(data_df)  # 训练模型m
future = pd.DataFrame({'ds': list(pd.date_range(start='2022-05-01 00:00:00', end='2022-05-05 00:00:00', freq='H'))})  # 预测的设置 还没预测
forecast = m.predict(future)  # 开始预测
# plt.plot(data_df['ds'][-50:], data_df['y'][-50:], color='b')
plt.plot(forecast['ds'], forecast['yhat'], color='r')
plt.show()
# plt.plot(list(data_df['ds'][-50:])+list(forecast['ds']),
#          list(data_df['y'][-50:])+list(forecast['yhat']), color='b')
# plt.show()
```


![在这里插入图片描述](/static/img/images/00333.png)

# 预测模型持久化存储

时序预测模型 fbprophet

直接dict即可：





```python
>>> aa = [("kevin", 100,), ("dylan", 100,), ("daisy", 100,)]
>>> dict(aa)
{'kevin': 100, 'dylan': 100, 'daisy': 100}
```

引申

只要是字典结构的数据都能这么玩，比如：

```python
aa = {("kevin", 100,), ("dylan", 100,), ("daisy", 100,)}
aa = [["kevin", 100,], ["dylan", 100,], ["daisy", 100,]]
```

python 列表元组 转 字典

# 参考





python的re模块说明：

[https://docs.python.org/zh-cn/3/library/re.html](https://docs.python.org/zh-cn/3/library/re.html)

一些常见的正则表达式写法（邮箱、手机号、密码、身份证）：

[https://zhuanlan.zhihu.com/p/338826624](https://zhuanlan.zhihu.com/p/338826624)

# 使用

## re.findall

非常有用！

![在这里插入图片描述](/static/img/images/00334.png)

```powershell
in_str = """
Name: 10.10.90.86:9866 (hadoop001)
DFS Used: 149719834624 dgf
Name: 10.10.90.87:9866 (hadoop002)
DFS Used: 1497198231234624 dgfg
Name: 10.10.90.88:9866 (hadoop003)
DFS Used: 14971981323134624 gfdg
"""
import re
pattern1 = re.compile(r"Name: [0-9]+.[0-9]+.[0-9]+.[0-9]+")
dalllist1 = re.findall(pattern1, in_str)
dalllist1 = list(map(lambda x: x[6:], dalllist1))
pattern2 = re.compile(r"DFS Used: [0-9]+")
dalllist2 = re.findall(pattern2, in_str)
dalllist2 = list(map(lambda x: x[14:], dalllist2))
for i in zip(dalllist1, dalllist2):
    print(i)
```

## re.search

感觉基本没啥用。

![在这里插入图片描述](/static/img/images/00335.png)

```powershell
in_str = """
Name: 10.10.90.86:9866 (hadoop001)
DFS Used: 149719834624 dgf
Name: 10.10.90.87:9866 (hadoop002)
DFS Used: 1497198231234624 dgfg
Name: 10.10.90.88:9866 (hadoop003)
DFS Used: 14971981323134624 gfdg
"""
import re
pattern1 = re.compile(r"Name: [0-9]+.[0-9]+.[0-9]+.[0-9]+")
dalllist1 = re.search(pattern1, in_str)
print(dalllist1.group())
```

## re.match

用这个来匹配密码很好，用户设置密码的时候必须有数字和大小写之类的。

![在这里插入图片描述](/static/img/images/00336.png)

```powershell
import re
while True:
    pwd = input("input your password\r\n")
    if re.match(re.compile("^[a-z]{8,16}$"), pwd) == None:
        print("no pass")
    else:
        print("password is ok")
```

密码强度：[https://www.huaweicloud.com/articles/e43ea3c29dfbebc830af0e0b69b71ce3.html](https://www.huaweicloud.com/articles/e43ea3c29dfbebc830af0e0b69b71ce3.html)

## re.split

```powershell
import re
text = """Ross McFluff: 834.345.1254 155 Elm Street
...
... Ronald Heathmore: 892.345.3428 436 Finley Avenue
... Frank Burger: 925.541.7625 662 South Dogwood Way
...
...
... Heather Albrecht: 548.326.4584 919 Park Place"""
entries = re.split("\n+", text)
print([re.split(":? ", entry, 3) for entry in entries])
```


# 一些别的

> []

匹配方括号里的所有字符的集合。集合set的意味在里面。

比如`[34]`就是匹配3或者匹配4。

比如`[A-Za-z]` 就是匹配所有的大写字母或者小写字母。

比如`[0-9]` 就是匹配所有的数字。

  

> ^

如果放到 [  ]  里面，就表示这个集合里能匹配的东西都不是想匹配的。

比如`[^heo]`就表示匹配除了这三个字母集合外的所有字符集合。

如果放到 [  ]  外面，就表示匹配一个行开始。

比如`^[heo]`就表示匹配某一个新行，新行以三个字母的某一个字母开头。

要匹配 ^ 字符本身，请使用 `\^`。

> $

匹配行结尾。这符号很特殊。是一个零长度字符的匹配。

> .

匹配除换行符 \n 之外的任何单字符。要匹配 . ，请使用 `\.` 。

python 正则表达式 教程 使用 查找字符串 搜索是否含有 匹配密码强度 分割出合适数据

身在Docker容器里身不由己，wget能很好解决：





下载：
```powershell
wget https://repo.anaconda.com/miniconda/Miniconda3-py38_4.9.2-Linux-x86_64.sh
```

安装：

-b是静默安装，无需交互。
```powershell
sh Miniconda3-py38_4.9.2-Linux-x86_64.sh -b
```

所以记住这2个仓库：

[https://repo.anaconda.com/miniconda/](https://repo.anaconda.com/miniconda/)

[https://repo.anaconda.com/archive/](https://repo.anaconda.com/archive/)