Python/Scikit-learn/regressions - 从pandas数据框到Scikit预测

Question

我可以帮你翻译成中文。以下是您提供的名为main_frame的pandas DataFrame:

            target_var  input1  input2  input3  input4  input5    input6
Date
2013-09-01        13.0     NaN     NaN     NaN     NaN     NaN       NaN   
2013-10-01        13.0     NaN     NaN     NaN     NaN     NaN       NaN   
2013-11-01        12.2     NaN     NaN     NaN     NaN     NaN       NaN   
2013-12-01        10.9     NaN     NaN     NaN     NaN     NaN       NaN   
2014-01-01        11.7       0      13      42       0       0        16   
2014-02-01        12.0      13       8      58       0       0        14   
2014-03-01        12.8      13      15     100       0       0        24   
2014-04-01        13.1       0      11      50      34       0        18   
2014-05-01        12.2      12      14      56      30      71        18   
2014-06-01        11.7      13      16      43      44       0        22   
2014-07-01        11.2       0      19      45      35       0        18   
2014-08-01        11.4      12      16      37      31       0        24   
2014-09-01        10.9      14      14      47      30      56        20   
2014-10-01        10.5      15      17      54      24      56        22   
2014-11-01        10.7      12      18      60      41      63        21   
2014-12-01         9.6      12      14      42      29      53        16   
2015-01-01        10.2      10      16      37      31       0        20   
2015-02-01        10.7      11      20      39      28       0        19   
2015-03-01        10.9      10      17      75      27      87        22   
2015-04-01        10.8      14      17      73      30      43        25   
2015-05-01        10.2      10      17      55      31      52        24

我一直在尝试探索Scikit-learn上的数据集，但我不确定问题是pandas数据集、日期作为索引、NaN/Inf/0（我不知道如何解决）还是其他问题我无法追踪。

我想建立一个简单的回归模型，根据名为“Input”（1,2,3...）的变量来预测下一个目标变量。

请注意，时间序列中有很多零和NaN，可能会出现Inf。

- aabujamra

Answer 1

首先，您应该尝试删除任何具有Inf、-Inf或NaN值的行（其他方法包括用特征的平均值填充NaN值）。

df = df.replace(to_replace=[np.Inf, -np.Inf], value=np.NaN)
df = df.dropna()

现在，创建一个numpy矩阵来表示你的特征，并且创建一个向量来表示你的目标变量。鉴于你的目标变量在第一列，你可以使用整数索引来实现：

X = df.iloc[:, 1:].values
y = df.iloc[:, 0].values

然后创建并拟合您的模型：

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X=X, y=y)

现在，您可以查看您的估算结果：

>>> model.intercept_
12.109583092421092

>>> model.coef_
array([-0.05269033, -0.17723251,  0.03627883,  0.02219596, -0.01377465,
        0.0111017 ])

- Alexander

---

在上面的例子中，X=main_frame.input1[:,1:].values，y=main_frame.target_var[:,0].values，对吗？ - aabujamra

df只是一个数据框的通用术语。在您的情况下，您可以将其替换为main_frame。请使用iloc（索引位置）代替input1和target_var。 - Alexander

您介意在您的答案中添加一个将其与X和y一起绘制的方法吗？ - aabujamra

1. 每篇帖子只能有一个问题。
2. X是一个有6列的数组，你期望会发生什么？

- Alexander

@trench 是的，它将是 y = -.0.05input1 - 0.177input2 + 0.05input3 + 0.02input4 -0.01input5 + 0.01input6 + 12.11。 - Alexander