1.重命名：os.rename(old, new)
2.删除：os.remove(file)
3.列出目录下的 文件 ：os.listdir(path)
4.获取当前工作目录：os.getcwd()
5.改变工作目录：os.chdir(newdir)
6.创建多级目录：os.makedirs(r"c:/python /test")
7.创建单个目录：os.mkdir("test")
8.删除多个目录：os.removedirs(r"c:/python") #删除所给路径最后一个目录下所有空目录。
9.删除单个目录：os.rmdir("test")
10.获取文件属性：os.stat(file)
11.修改文件权限与时间戳：os.chmod(file)
12.执行操作系统 命令：os.system("dir")
13.启动新进程：os.exec(), os.execvp()
14.在后台执行程序：osspawnv()
15.终止当前进程：os.exit(), os._exit()
16.分离文件名：os.path.split(r"c:/python/ hello.py ") –>("c://python", " hello.py ")
17.分离扩展名：os.path.splitext(r"c:/python/ hello.py ") –>("c://python//hello", ".py")
18.获取路径名：os.path.dirname(r"c:/python/ hello.py ") –>"c://python"
19.获取文件名：os.path.basename(r"r:/python/hello.py") –>"hello.py"
20.判断文件是否存在：os.path.exists(r"c:/python/hello.py") –>True
21.判断是否是绝对路径：os.path.isabs(r"./python/") –>False
22.判断是否是目录：os.path.isdir(r"c:/python") –>True
23.判断是否是文件：os.path.isfile(r"c:/python/hello.py") –>True
24.判断是否是链接文件：os.path.islink(r"c:/python/hello.py") –>False
25.获取文件大小：os.path.getsize(filename)
26.*******：os.ismount("c://") –>True
27.搜索目录下的所有文件：os.path.walk()
[2.shutil]
1.复制单个文件：shultil.copy(oldfile, newfle)
2.复制整个目录树：shultil.copytree(r"./setup", r"./backup")
3.删除整个目录树：shultil.rmtree(r"./backup")
[3.tempfile]
1.创建一个唯一的临时文件：tempfile.mktemp() –>filename
2.打开临时文件：tempfile.TemporaryFile()
[4.StringIO] #cStringIO是StringIO模块的快速实现模块
1.创建内存 文件并写入初始数据 ：f = StringIO.StringIO("Hello world!")
2.读入内存文件数据：print f.read() #或print f.getvalue() –>Hello world!
3.想内存文件写入数据：f.write("Good day!")
4.关闭内存文件：f.close()
rm(list=ls())
path = 'J:/lab/EX29 --在R语言中进行文件（夹）操作'
setwd(path)
cat("file A\n", file="A") #创建一个文件A，文件内容是'file A','\n'表示换行，这是一个很好的习惯
cat("file B\n", file="B") #创建一个文件B
file.append("A", "B") #将文件B的内容附到A内容的后面，注意没有空行
file.create("A") #创建一个文件A, 注意会覆盖原来的文件
file.append("A", rep("B", 10)) #将文件B的内容复制10便，并先后附到文件A内容后
file.show("A") #新开工作窗口显示文件A的内容
file.copy("A", "C") #复制文件A保存为C文件，同一个文件夹
dir.create("tmp") #创建名为tmp的文件夹
file.copy(c("A", "B"), "tmp") #将文件夹拷贝到tmp文件夹中
list.files("tmp") #查看文件夹tmp中的文件名
unlink("tmp", recursive=F) #如果文件夹tmp为空，删除文件夹tmp
unlink("tmp", recursive=TRUE) #删除文件夹tmp，如果其中有文件一并删除
file.remove("A", "B", "C") #移除三个文件
“随机游走”（random walk）是指基于过去的表现，无法预测将来的发展步骤和方向。应用到股市上，则意味着股票价格的短期走势不可预知，意味着投资咨询服务、收益预测和复杂的图表模型全无用处。在华尔街上，“随机游走”这个名词是个讳语，是学术界杜撰的一个粗词，是对专业预言者的一种侮辱攻击。若将这一术语的逻辑内涵推向极致，便意味着一只戴上眼罩的猴子，随意向报纸的金融版面掷一些飞镖，选出的投资组合就可与投资专家精心挑选出的一样出色。1. Average Methond 平均法：预测未来值等于历史值的平均值
2. Naive Method 傻瓜法：预测未来值等于最后一个样本【对经济、金融时间序列适用】，也称作 random walk forecasts
【补充小知识：ARIMA模型】
3. Seasonal naive method 季节性傻瓜法：适用于强季节性数据，取同上一年同季节的最后一个观测值。
4. Drift method 趋势|漂流法：在傻瓜法的基础上增加一个变量使预测值随着时间变化增加或减少，变量值为历史变量的平均值。
例子：
a. 应用前三种方法看季节性啤酒产量的预测数据
b. 非季节性方式预测谷歌每日收盘股价
这些简单的办法通常是被作为benchmarks而非实际选择的方式。
通过调整历史数据可以简化预测工作。以下有四种数据调整方式：
>monthdays() 可以计算每个月或季度的天数
对任何受人数影响的数据都可以调整为人均值(per-capita data)。例如考虑某地医疗资源的变化情况，可以看每千人床位数的变化，如此可以看是否是真的资源增长还是仅由于当地总人口增加。
受金钱影响的数据最好在建模前进行调整。例如平均新房费用会由于过去几十年的通货膨胀而增长。为了做此调整需用到price index(物价指数)————参考cpi
当数据呈现出序列级上升或下降的变化时，则需要进行数学转换。
1. 取对数
2. 幂变换(power transformation)：平方根|立方根
3. Box-cox transformation
选定转换方式后，完成对模型数据的预测，需要即将预测结果在反向转换为真实数据。反向box-cox转换公式：
幂变换的特点：
1. 原始变量需大于0，若小于0则应对所有变量加一个常数使得yt大于0。
2. 选择简单的λ值，便于理解
3. 预测结果与λ的值相关性较小
4. 通常不需要转换，转换后对预测结果影响不大，但对于预测区间有较大影响
通过数学转化预测后反转的预测值不是预测分布的均值，通常是中位数。（例如，当需要将不同地区的销售预测值加总预估整个国家的预估值时，只能用均值加总而不能用中位数加总）。对于box-cox转换，均值的反转公式为
中位数和均值间的差异即为bias(偏差值)，当需要用均值而非中位数时，我们说某一时点的预估值已经进行过偏值调整。
对于大多数时间序列模型，残值是实际值与拟合值之间的差值，可用来检测模型是否足够抓住了数据的信息。好的预测模型的残值有以下两个特点：1. 残值不相关 【不相关证明残值中还有应该用于预估的信息，解决方式见chapter9】；2. 均值为0 【不为0证明预估值时有偏差的，如偏差值为m，则解决方案是对所有预估值加偏差值m】；3. 有连续变量；4. 符合正态分布。
1. Box-Pierce test
2. Ljung-Box test
checkresiduals()可用于检测残值情况
通常在选择模型时会预留出两组，分为实验组(test)和训练组(training)，训练组(training)是用来预估预测方法的准确性。通常实验组的大小是总样本的20%。理想状态下，实验组应该至少覆盖所预估的最远时段，但仍需注意：1. 能很好的拟合训练集的模型并不一定能很好的做预测；2. 最佳组合的模型应该满足包含足够的变量；3. 过度拟合模型和未能判别系统性pattern一样失败。
1. window()，可以用于提取部分时间序列
2. subset()，可以通过索引去选择分组
3.head()| tail()，可以取前几个或后几个观测值
预估偏差指预估值与实际值之间的差值。 ，其中训练集(training data)数据为 ，测试集(test data)数据为 。
预估偏差和残值的差异：1.残值是基于训练集计算的，而预估偏差是基于测试集计算的；2. 残值是基于一步测算(one-step forecast)的，而预估偏差则是涉及到多步预估(multi-step forecasts)
最常用的两个规模性检验是基于绝对偏差或平方偏差：
1. MAE（Mean absolute error）平均绝对偏差=
,范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。
2. RMSE（Root mean squared error）均方根偏差=
，范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。
通常比较一个单一时间序列预估方式或同单位下的几个时间序列，会选择用MAE。降低MAE的方法可预估中位数，降低RMSE则可预估平均值。
，不需考虑单位，因而常被用于比较不同数据集中的预测表现。常用的方式是：
MAPE（Mean absolute percentage error）平均绝对百分比误差=
,范围[0,+∞)，MAPE 为0%表示完美模型，MAPE 大于 100 %则表示劣质模型。
可以看到，MAPE跟MAE很像，就是多了个分母，注意点：当真实值有数据等于0时，存在分母0除问题，该公式不可用！
由于其对负偏差的惩罚更高，因而又引入了：
sMAPE（symmetric MAPE）对称平均绝对百分比误差=
注意点：当真实值有数据等于0，而预测值也等于0时，存在分母0除问题，该公式不可用！
用于比较不同单位的不同序列的预估效果。
·非季节性时间序列，一个通用的方式是运用naive forecast的方式定义一个比例偏差值： ，当qj小于1时，则该方法比基于训练集用naive forecast计算的值要更优，反之当qj大于1时则更差。
·季节性时间序列，是运用seasonal forecast的方式定义比例偏差：
MASE（Mean absolute scaled）=
【预估评价指标： 预测评价指标RMSE、MSE、MAE、MAPE、SMAPE_人工智能_藏知阁-CSDN博客 】
####example
accuracy() ：Returns range of summary measures of the forecast accuracy. If x is provided, the function measures test set forecast accuracy based on x-f. If x is not provided, the function only produces training set accuracy measures of the forecasts based on f["x"]-fitted(f). All measures are defined and discussed in Hyndman and Koehler (2006).
tsCV()可以用来做时间序列交叉验证
【参考天元大神的小笔记： R语言时间序列分析（七）：模型准确度估计 - 知乎 】
预测区间的通用公式：
是h-step预估值的正态分布的预计值，c的对应关系是：
###R中forecast包里常用函数：
