运用LSTM对CPI数据进行预测.py

长短期记忆（ LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
对CPI数据进行预测

#import packages
import pandas as pd
import numpy as np

#to plot within notebook
import matplotlib.pyplot as plt

fig = plt.figure（facecolor=‘white‘）
ax = fig.add_subplot（111）
#setting figure size
from matplotlib.pylab import rcParams
rcParams[‘figure.figsize‘] = 2010

#for normalizing data
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler（feature_range=（0 1））

from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense Dropout LSTM
#read the file
# df = pd.read_csv（‘NSE-TATAGLOBAL（1）.csv‘）
data=pd.Dataframe（pd.read_excel（‘C:/预测库/CPI.xlsx‘sheet_name=‘CPI分项‘header=2index=‘频率‘））#对数据转换为dataframe
data.rename（columns={‘月‘:‘CPI‘‘月.1‘:‘食品烟酒‘‘月.2‘:‘衣着‘‘月.3‘:‘居住‘‘月.4‘:‘生活用品及服务‘‘月.5‘:‘交通和通信‘‘月.6‘:‘教育文化和娱乐‘‘月.7‘:‘医疗保健‘‘月.8‘:‘其他用品和服务‘}inplace=True）#对列名进行重新修改
data=data.fillna（method=‘ffill‘）
#print the head
# df.head（）


#setting index as date
data.index=pd.to_datetime（data.index）


#plot
plt.figure（figsize=（168））
plt.plot（data[‘CPI‘] label=‘CPI‘）
#importing required libraries


#creating dataframe
# data = data.sort_index（ascending=True axis=0）
# new_data = pd.Dataframe（index=range（0len（df））columns=[‘Date‘ ‘Close‘]）
# for i in range（0len（data））:
# new_data[‘Date‘][i] = data[‘Date‘][i]
# new_data[‘Close‘][i] = data[‘Close‘][i]

#setting index
# new_data.index = new_data.Date
# new_data