如何将dtype='datetime64[ns]'转换为float以解决线性回归predict方法的类型错误？

这个报错的核心原因是scikit-learn的LinearRegression模型要求输入特征必须是数值类型——虽然fit阶段没抛出错误（可能内部做了临时兼容），但predict时的类型校验更严格，不允许datetime64和float64类型的不匹配。下面给你两种实用的转换方案：

方法一：转换为Unix时间戳（浮点数） #

直接把datetime64转换成以秒为单位的Unix时间戳（本质是从1970年1月1日到目标日期的秒数），天然就是浮点类型：

# 先将datetime64转成秒级精度，再转为float
x = df['Date'].values.astype('datetime64[s]').astype(float)
x = x.reshape(-1, 1)

# 后续正常训练和预测
linlin = LinearRegression()
linlin.fit(x, y)
y_pred = linlin.predict(x)  # 此时不会再触发TypeError

方法二：转换为相对天数（更易解释） #

如果觉得时间戳数值过大，可计算每个日期相对于数据集起始日期的天数差，结果也是浮点类型，而且解释性更强（比如系数可以直接理解为「每天温度变化的平均值」）：

# 取数据集中最早的日期作为基准
start_date = df['Date'].min()
# 计算天数差并转为float
x = (df['Date'] - start_date).dt.days.values.astype(float).reshape(-1, 1)

# 训练和预测流程不变
linlin = LinearRegression()
linlin.fit(x, y)
y_pred = linlin.predict(x)

关键注意点 #

训练和预测必须使用同一种转换方式的特征，不能训练用原始datetime、预测用转换后的数值，否则会出现类型或数据分布不匹配的问题。

内容的提问来源于stack exchange，提问作者Soham Parate