有了几个月的排名和热度数据，自然会想「下个月会怎样」。Prophet 是上手最快的时间序列预测库之一，几十行代码就能出预测曲线。但先说清楚它能干什么、不能干什么——这篇用一个关键词的历史数据跑一次预测，再聊三条边界。
数据准备：两列，缺一列都不行
Prophet 只认 ds（日期）和 y（数值）两列。从采集库里聚合出关键词的每日最低排名：
import pandas as pd
df = pd.read_sql(
"SELECT day AS ds, MIN(rank) AS y FROM results "
"WHERE keyword = %s GROUP BY day ORDER BY day",
con, params=["serp api"],
)
df["ds"] = pd.to_datetime(df["ds"])
print(df.head())
两个预处理不能省：补缺失日期（Prophet 会把空档当断点），处理 null（排名掉出前一百时 rank 为空，按业务口径补成 100 或剔除）。
训练和预测，就这么几行
from prophet import Prophet
m = Prophet(weekly_seasonality=True, daily_seasonality=False)
m.fit(df)
future = m.make_future_dataframe(periods=30) # 预测未来 30 天
forecast = m.predict(future)
print(forecast[["ds", "yhat", "yhat_lower", "yhat_upper"]].tail())
yhat 是点预测，yhat_lower/yhat_upper 是区间。看区间比看点值重要得多——区间宽说明模型自己都没把握，这时候拿点值做决策就是自欺欺人。
拆开看：趋势和季节性
m.plot(forecast) # 整体曲线
m.plot_components(forecast) # 趋势 + 周/年季节性分开看
组件图比预测曲线更有用：趋势线告诉你大方向，季节性告诉你「周几波动大」。很多时候「排名在跌」只是季节性回落，不是内容出了问题。
三条边界，比代码更重要
边界一：点值不是承诺。 预测是「基于历史模式的推演」，不是「下个月的实际值」。把它当参考区间用，别当 KPI 承诺。
边界二：突变预测不了。 谷歌算法更新、竞品大改版、你发了一篇爆款——这些结构性变化，历史模式里没有，Prophet 也推不出来。它的适用范围是「常规波动」。
边界三：数据太少别用。 至少几周、最好几个月的连续数据。两周数据跑出来的季节性，是拟合噪声。
排名数据还有两个特殊性
天花板和地板。 排名不能小于 1，掉出前一百没有值。预测出来的 0.7 名或者 120 名没有意义，按 1-100 截断。
别用平均值当目标。 排名的「平均值」跨天跳动会被个别极端值带偏，用中位数或每日快照更稳。
四个坑
坑 1：把预测值写进报表当目标。 团队会按点值规划，失败后怪数据。只给区间和趋势。
坑 2：不补缺失日期。 断档被模型当成趋势变化，曲线会莫名抖动。
坑 3：忽略 null 语义。 排名为空不等于第 0 名，处理口径要先定好。
坑 4：用预测代替监控。 预测是规划工具，异常检测是监控工具，两者解决不同问题。
小结
Prophet 的正确用法：准备干净的两列数据 → 训练预测 → 看区间和组件图 → 只在常规波动范围内解读。它能帮你回答「下个月大概什么走势」，但回答不了「下周会不会被算法打击」——分清这两种问题，预测才不会变成玄学。
采集数据的日期和排名字段口径见 SerpBase 官方文档。你拿搜索数据做过什么预测？评论区聊聊。
