# LSTM 神經網路(多用於時間序列資料預測)
###### tags: `tensorflow.keras`
## 讀取資料
可於[**我的雲端**](https://drive.google.com/file/d/1kwmo-3PYVo_SExw7_Uo1rKkoOHsEzyEQ/view?usp=sharing)下載

df = pd.read_csv('2317.csv')
df.isna().sum()#檢測缺失值 為true 就是缺失 sum 為計算有幾個缺失值


df.drop(['Change'],axis= 1,inplace = True)#inplace=True:這個行為要覆蓋到檔案
df.columns = ['date','open','high','law','close','rd','volume']#rd為股票振福

df.set_index(['date'], inplace = True)
df.rd.plot()


## 正規畫
值會落在0~1之間

train = df[0:2670]
test = df[2670:]
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
train = pd.DataFrame(scaler.fit_transform(train), columns=df.columns)
test = pd.DataFrame(scaler.fit_transform(test), columns=df.columns)

## 抓取用來預測的資料 及 預測值

import tqdm #進度條 好看用的
n = 30 #用過去30天 x 預測 y資料 , 1/4起，所以能預測的第一個Y為2/3
feature_names = list(train.drop('rd', axis=1).columns)
X = []
y = []
indexes = []
norm_data_x = train[feature_names]
for i in tqdm.tqdm_notebook(range(0,len(train)-n)): 
    X.append(norm_data_x.iloc[i:i+n]. values) #iloc[n,m]是取n,m那格數字 iloc[n:m]是取n*m那些數字
    y.append(train['rd'].iloc[i+n-1]) #現有資料+30天的Y
    indexes.append(train.index[i+n-1]) #Y的日期


## 建模 LSTM
### 多用來跟時間序列有關的資料

import keras
from keras.models import Sequential
from keras.layers import Dense,LSTM
n_steps = 30 #前幾天的資料
n_features = 5#用幾個欄位
model = Sequential()
model.add(LSTM(50,activation='relu', return_sequences=False, input_shape = (n_steps, n_features)))
#model.add(神經元數量,激活函數,輸出是否為時間序列 如果輸出為兩個以上值 就是序列 要寫True,input_shape(幾步,幾個特徵))
model.add(Dense(1))
model.compile(optimizer = 'adam', loss = 'mse' , metrics=['mse','mape'])

## 訓練

history = model.fit(x,Y,batch_size = 100,epochs = 30)

print(history.__dict__)


import matplotlib.pyplot as plt
plt.title("train_loss")
plt.plot(history.history['loss'])

## 測試

predictions= model.predict(x)#丟到模型做預測
predictions = pd.DataFrame(predictions).rename(columns={0:'預測值'})#轉成DataFrame格式
predictions#x的預測值

y_test = pd.DataFrame(Y).rename(columns={0 : "實際值"})


final = pd.concat([predictions,y_test],axis = 1)#合併

final["mae"] = abs(final["預測值"]-final["實際值"])
final


norm_data = pd.DataFrame(scaler.inverse_transform(df), columns=df.columns, index=df.index)
#將標準化後資料變為原資料
norm_data

# 結論
誤差蠻大的