目录
第一步：数据导入
第二步：将时间转换成标准格式(比如datatime格式)
第三步： 展示数据：（画了4个子图）
第四步：做独热编码
Q1：为什么做独热编码？
A1：因为数据中其中有一列比较特殊，其他列都是数值，但是week列是一些字符串，我们首先将字符串转换成一种数值的形式，比较简单的方法就是做一个独热编码，在pandas当中可以使用pd.get_dummies()不用把这个特征传进来，我直接features，因为features是我们传进来的一个数据他会自动的帮我们做判断，判断这个数据中哪一列是字符串，我自动对他做独热(one-hot)编码。
如上做完one-hot编码之后，week这一列就没有了，数据里边做了一个one-hot encoding，对我们当前需要的列做了一个额外的编码，并且还再次把他们拼接到我们的数据当中。
PS：这就是数据处理的第一步，先把数据都转换成数值的形式。
第五步：指定输入与输出
因为x和y都混在一起了，一会建模的时候我得知道我的输入是什么，我的输出是什么，所以需要指定好。
PS：上述代码中从features中剔除掉(.drop)标签actual，剩下的就是x了。
第六步：对数据做一个标准化
因为数据中有些数值比较大，有些数值比较小(做完标准化之后结果收敛的速度会更快一些，收敛的损失值相对于来说会更小一点)。所以做一个标准化预处理再用torch进行建模。
这里使用的是sklearn中的预处理模块，在预处理模块中有一个标准化的操作：
此时数据是ndarray格式。
第七步：用torch来构建一个神经网络模型
构建网络模型有两种方法：第一种是比较麻烦的，一步步的去写；第二种简单一些。
第一种：基于Pytorch来构建神经网络模型。
（1）首先将上述的ndarray格式的数据转换成tensor格式。
（2）权重参数初始化：一般使用随机的标准的正态分布比较合适。
- 准备w1和b1：
初始化w1：输入是[348,14]，要把现在的14个输入特征，转换成128个隐层特征。w就是[14,128]。
初始化偏置参数b1：对于w1来说来说我得到了128个神经元特征，那b1就是微调，不是对整体做一个微调，而是对每一个特征都做一个微调。PS：偏置参数的个数永远是跟得到的特征结果个数是一致的。
第一个隐层得到了128个特征，我输出结果是一个回归任务，要得到一个实际的值，所以128肯定不行，我得再来个w2；
- 准备w2和b2：
初始化w2[128,1]前边连的是你中间的特征128个，我要把这128个特征转化成一个值，回归任务是一个值，所以说w2的矩阵维度就是128x1；
初始化偏置参数b2=1，因为最终结果得到的是一个值，所以b2为1，是对最终的结果进行一个微调。
PS：注意权重参数在接下来迭代过程当中要计算他的梯度，所以在初始化过程中，都带了参数requires_grad=True，都是需要计算梯度的。
（3）初始化学习率。
（4）把上述初始化的参数由前到后给它串起来。
- 计算第一个隐层结果：.mm就是矩阵乘法。
- 将结果经过激活函数：.relu激活函数。
- 计算最后一层的结果。
- ------------------至此前向传播计算出来了--------------------------
- 计算损失。
- 基于损失执行反向传播(计算梯度)、并更新w1、b1和w2、b2；(负的学习率表示我沿着梯度的反方向，把学习率乘过来，把梯度乘过来就完事了)PS：更新完一次梯度时，记得清空，要不然下次会累加在一起的。
第二种：更简单的构建网络模型
retain_graph=True表示接下来要不要重复的执行这个cell的代码，指定为True，重复执行的话他不会报错。
指定输入的样本数量；
隐层神经元的个数；
输出的结果；
加上batch_size；(加上batch_size之后，之前训练的时候是把数据全部读入进去，相当于批量梯度下降，这里我们不做批量梯度下降，使用mini_batch，指定一个batch)
构建网络模型；(之前构建模型是一步步写的wx+b，这样比较麻烦)
第一步：先把序列写好 ；按照torch.nn模块下序列去写。
第一层指定好它的输入与输出(hidden_size得到多少个隐层的神经元)，中间加上激活函数；
第二层再连一个全连接层nn.Linear(hidden_size,output_size)。第一个参数表示写好前边连什么，第二个参数表示得到什么结果。
所以这样直接使用touch.nn模块下的序列结构，可以把这个网络直接的定义出来(这里按照两层全连接的模块去写，后续可以加卷积加池化等都可以torch.nn模块下你能想到的层别人都给你写好了，直接调用就行)。
第二步：损失函数直接调用现成的包。
第三步：把优化器拿进来。(之前是做一个梯度下降，每一次自己计算梯度，自己更新，自己再置0，这样比较麻烦；简单方法使用torch当中的优化器，优化器里边有挺多的，这里使用SGD梯度下降也行用Adm也行，Adm用的更多一些，他可以动态的去调整学习率，学习率一开始可能会比较大，他会加入一个衰减函数，让学习率随着迭代进行慢慢变小，所以这个应该是更合理一些的)
第四步：指定玩优化器之后开始训练网络。(训练网络的方法其实和之前是一样的，写一个循环，这里多做了一步，这里不是取全部的数据了，而是取其中部分的数据，在这里torch.tensor当中在构造它的输入数据的时候，这里传进来两个索引，一个是start索引，一个是end索引，表示我从原始数据当中一步步的每一次取16个数据，因为设置了batch=16，所以每次会取16个这样的x和y；接下来预测一个结果prediction，就是走一个前向传播，my_nn(xx)里边的xx就是我输入的一个batch的数据，然后刚才在定义序列的时候给他起的名字叫做my_nn，然后要得到一个结果你只需要在这个my_nn当中把实际的x给传进去，相当于这一块x来了之后，先走my_nn中的第一个torch.nn.Linear()，再走第二个torch.nn.Sigmoid()，再走第三个torch.nn.Linear()按照这个顺序得到一个输出结果，这就完事了；所以预测值比较简单，不需要一步步去写他是怎么计算的，只需要把它传入到我们刚才定义好的序列模块当中就可以了；然后计算损失值使用定义的cost方法MSELoss；然后做优化,优化过程中每次迭代一次要对梯度进行清0的操作optimizer.zero_grad()(这一步放到后边也行)，然后进行一次反向传播，接下来optimizer.step()就是说我们要不要去做一个更新，.step相当于把前边的所有的更新操作放入到这一个函数当中了，直接调用就可以了；接下来为了一会把这个损失打印出来我把这个损失batch_loss给他读进来就完事了。之后就是打印损失)这一步对应上图中的第二个图。
第八步：预测结果
拿一个x，转化为tensor的格式，传到网络当中，其实传入到网络就是相当于走了一次前向传播，会得到实际的预测值，把实际结果的预测值拿到手就可以了，.data.numpy()相当于转化成array数组的形式(因为下边要使用myplot画图，不转化成numpy的格式的话tensor的格式画不了)。
第九步：画图
X轴定义为日期，所以先把日期都拿到手转化成标准的格式dates；
拿预测的结果值predictions_data(其中predict要reshape一下因为我们要的是一列的格式，不能是一个矩阵的格式。并要构建一个DataFrame，因为基于DataFrame画图比较简单，直接传进去就得了。）