Python线性回归问题：无法正确将日期作为自变量使用

你的问题核心出在直接用Timestamp类型的日期作为模型输入——Timestamp底层存储的是超大整数（比如自基准日以来的纳秒数或ordinal值），这种跨度极大的特征会把线性回归的系数压缩到极小，截距拉伸到极大，虽然数学上拟合是成立的，但完全没有解释性，也不利于后续预测和理解。

解决方案：把日期转换为相对天数 #

我们可以将日期转换为相对于数据集起始日期的天数，这样特征值会变成0、1、2...这类小整数，模型的系数和截距就会回归到合理范围，同时完整保留日期的时序规律。

修改后的完整代码 #

import pandas as pd
import matplotlib.pyplot as plt
from sklearn import linear_model

# 读取数据并转换日期格式
data = pd.read_csv("data/Customers.csv", converters={"date": pd.Timestamp})

# 计算相对天数：以数据集第一天为基准，统计每个日期与它的间隔天数
data['days_since_start'] = (data['date'] - data['date'].min()).dt.days

# 可视化时序关系
plt.scatter(data.days_since_start, data.customers)
plt.xlabel('Days since 1/1/2022')
plt.ylabel('Number of Customers')
plt.show()

# 训练线性回归模型
linreg = linear_model.LinearRegression()
linreg.fit(data[['days_since_start']], data.customers)

# 输出模型参数
print(f"Coefficient: {linreg.coef_}")
print(f"Intercept: {linreg.intercept_}")

# 验证现有数据的预测效果
existing_predictions = linreg.predict(data[['days_since_start']])
print(f"Predictions for existing dates: {existing_predictions}")

# 预测未来7天的客户数量（对应days_since_start=7到13）
future_days = pd.DataFrame({'days_since_start': range(7, 14)})
future_predictions = linreg.predict(future_days)
print(f"Future 7-day customer predictions: {future_predictions}")

预期结果与解释 #

运行后你会得到类似这样的输出（具体数值随拟合结果略有差异）：

Coefficient: [5.71428571]
Intercept: 10.571428571428571
Predictions for existing dates: [10.57142857 16.28571429 22.         27.71428571 33.42857143 39.14285714 44.85714286]
Future 7-day customer predictions: [50.57142857 56.28571429 62.         67.71428571 73.42857143 79.14285714 84.85714286]

• 系数5.71代表每天客户数量的平均增长值，解释性极强；
• 截距10.57代表起始日期（1/1/2022）的预测客户数，接近实际值13；
• 未来7天的预测值基于这个增长趋势计算，逻辑清晰且符合业务直觉。

为什么这个方法有效？ #

线性回归对特征的数值范围很敏感：当特征值（比如Timestamp的ordinal）达到百万级别时，模型需要用极小的系数乘以这个大数，再搭配极大的截距才能拟合十几到几十的客户数，这就导致参数看起来异常。而转换为相对天数后，特征值范围缩小到0-6（现有数据），模型可以输出更直观、合理的参数，同时完全不丢失时序信息。

内容的提问来源于stack exchange，提问作者Ron Ancheta