博客内容简介及目录 http://www.cnblogs.com/weibaar/p/6644261.html
纪念一下，在心心念念想从会计本科转为数据分析师快两年后，近期终于迈出了使用R的第一步，在参考他人的例子前提下，成功写了几行代码。用成本的角度来说，省去了部门去买昂贵的数据分析软件的金钱和时间，而对自己来说，则是在数据分析又迈出了一步,往经济宽裕又迈出了一步，往财务自由又迈出了一步，不得不写个随笔纪念一下。
以及，有时候，入门真的没有想象中困难，关键是要找到入门的方法，一窍通，百窍通。
以下为代码。简而言之就是写了一个时间序列预测的代码，包括完整的数据导入，数据处理和数据输出过程。加载了forecast包，应用了auto.arima函数。
rawdata<-read.table("file.csv",header=TRUE,sep=",")
library(forecast)
4
Rawdata_Grand.Total=rawdata$Grand.Total
TS_Grand.Total=ts(Rawdata_Grand.Total,start=2011,frequency=12)
Arima_Grand.Total<-auto.arima(TS_Grand.Total,trace=T)
Forecast_Grand.Total<-forecast(Arima_Grand.Total,h=12,fan=T)
Forecast_Grand.Total$Mean
Mean_Grand.Total<-Forecast_Grand.Total$mean[3-14]
Lower_Grand.Total<-Forecast_Grand.Total$lower
Lower_Grand.Total_96=Lower_Grand.Total[3-14,16]
Upper_Grand.Total<-Forecast_Grand.Total$upper
Upper_Grand.Total_96=Upper_Grand.Total[3-14,16]
Result_Grand.Total<-data.frame(Mean_Grand.Total,Lower_Grand.Total_96,Upper_Grand.Total_96)
write.csv(Result_Grand.Total,'result.csv')解决问题中学会几点：
1）有的R没有forecast的包，这一般是因为R版本太低导致的，可以到CRAN上去具体搜这个包的名字，看看版本要求。一般升级R既可以解决（吐槽：R的升级竟然要重新安装包！太不智能了！不过R在一个系统里可以安装N个版本，也很神奇）
2）关于数据载入，最方便的还是read.table引入csv格式，这里空格会变成.，注意标题清理。以及R对大小写的要求超级高……
3）时间序列转换，用ts(data,start=xxxx,frequency=12)可以自动生成月度数据，超级方便。
4）forecast包很万能，有auto.arima可以自动拟合函数，然后forecast可生成观测值，这里我选的是12.然后fan=T(生成一堆预测值），fan=F，生成80%，95%置信区间预测值。
5）forecast生出的那个结果包，表面上生成的是各个置信区间的值，实际上……实际上生成了一个对象，当使用attributes查看时，出来了以下
> attributes(Forecast_Grand.Total)
$names [1] "method" "model" "level" "mean" "lower" "upper" [7] "x" "xname" "fitted" "residuals"
$class [1] "Forecast_Grand.Total"
所以之前我花了很大精力,想直接调用forecast生成的那个预测值以及96置信区间，最后都失败了。最后使用attributes查看后，再用$引用即可了，然后取1-12，第16列等，不知道是否有更简便的方法。
6）r直接输出为csv实在太爽！就是不知道有没有R合并各个文件的好方法，不然太糟心。
随文附上数据，已经做模糊化处理，不要太讲究数据质量
20900，18100，21100，21100，24800，24000，27200，29600，30100，33800，37900，36500，34900，34300，34700，36400，44300，37800，47100，45900，47800，51500，56300，52500，60600，54000，55900，52500，54500，51700，56400，62700，63400，65000，73500，72600