使用Sklearn LinearRegression预测时间序列单值时遇类型错误求助

错误原因 #

LinearRegression模型只能处理数值型特征，直接传入Timestamp类型的时间索引时，模型尝试将其转换为浮点数失败，因此抛出TypeError。

修复方案 #

把时间索引转换为Unix时间戳（数值格式），训练和预测阶段统一使用这个数值型时间特征：

import pandas as pd
import numpy as np
import yfinance as yf
from sklearn.linear_model import LinearRegression
import datetime  # 补充导入datetime模块，原代码遗漏该依赖

nq = yf.download("NQ=F", period="60d", interval="30m")
nq.index = pd.to_datetime(nq.index)

# 将时间索引转为秒级Unix时间戳，得到数值型特征数组
X = np.array(nq.index.timestamp()).reshape(-1, 1)
y = np.array(nq['Close'])

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

lasttime = nq.tail(1).index.item()
newtime = lasttime + datetime.timedelta(minutes=30) 
# 把新时间同样转为秒级时间戳，匹配训练时的特征格式
newtime_ts = np.array([[newtime.timestamp()]])

# 执行预测
predicted_close = regr.predict(newtime_ts)
print(predicted_close)

关键改动说明 #

• 用.timestamp()方法将Timestamp直接转换为秒级Unix时间戳，确保特征X是纯数值数组
• 预测时，新生成的newtime也要转换成相同格式的时间戳，保证和训练数据的特征类型一致
• 补充导入datetime模块，避免原代码中datetime.timedelta调用报错

内容的提问来源于stack exchange，提问作者Scott Zimmerman