使用skforecast回测时遇KeyError：索引不匹配问题求助

问题重现 #

使用skforecast的backtesting_forecaster做时序回测时，触发如下KeyError：

KeyError: "None of [Int64Index([24, 25, 26, 27, 28, 29, 30, 31, 32, 33,\n            ...\n            38, 39, 40, 41, 42, 43, 44, 45, 46, 47],\n           dtype='int64', length=720)] are in the [index]"

即使传入符合要求的pandas Series（而非数组），错误仍然存在。

核心代码片段 #

回测代码

metric, predictions = backtesting_forecaster(
                          forecaster         = forecaster,
                          y                  = data['Count of Visits'],
                          steps              = 24,
                          metric             = 'mean_absolute_error',
                          initial_train_size = len(data.loc[:end_validation]),
                          refit              = False,
                          verbose            = True,
                          show_progress      = True
                    )

数据划分与模型初始化

# 数据划分
data = data.loc['2023-02-01 00:00:00': '2023-06-30 23:00:00'].copy()
end_train = '30-04-2023 23:59'
end_validation = '31-05-2023 23:59'

# 模型初始化与训练
from skforecast.ForecasterAutoreg import ForecasterAutoreg
from sklearn.linear_model import Ridge

forecaster = ForecasterAutoreg(
             regressor     = Ridge(random_state=123),
             lags          = 24,
             transformer_y = StandardScaler()
         )
forecaster.fit(y=data.loc[:end_validation, 'Count of Visits'])

原因分析 #

报错根源是索引类型不匹配：

• 传入backtesting_forecaster的y采用时间戳索引
• 当refit=False时，模型基于预训练参数滚动预测，生成的predictions使用整数位置索引（从训练集长度开始递增）
• 函数内部计算指标时，用预测结果的整数索引去匹配y的时间戳索引，因索引类型完全不匹配，触发KeyError。

解决方案 #

方法1：启用refit=True（推荐，若业务允许） #

如果允许每次回测迭代重新拟合模型，将refit设为True。此时模型会在每个回测窗口重新训练，生成的预测结果会自动匹配原数据的时间索引：

metric, predictions = backtesting_forecaster(
                          forecaster         = forecaster,
                          y                  = data['Count of Visits'],
                          steps              = 24,
                          metric             = 'mean_absolute_error',
                          initial_train_size = len(data.loc[:end_validation]),
                          refit              = True,  # 修改此处
                          verbose            = True,
                          show_progress      = True
                    )

方法2：手动对齐索引（必须refit=False时） #

若不能重新拟合模型，需手动修正预测结果的索引后再计算指标：

# 先获取预测结果，关闭自动指标计算
_, predictions = backtesting_forecaster(
                          forecaster         = forecaster,
                          y                  = data['Count of Visits'],
                          steps              = 24,
                          metric             = None,  # 不自动计算指标
                          initial_train_size = len(data.loc[:end_validation]),
                          refit              = False,
                          verbose            = True,
                          show_progress      = True
                    )

# 获取回测对应的真实值及其时间索引
true_values = data['Count of Visits'].iloc[len(data.loc[:end_validation]):]

# 将预测结果的索引替换为真实值的时间索引
predictions.index = true_values.index

# 手动计算指标
from sklearn.metrics import mean_absolute_error
metric = mean_absolute_error(true_values, predictions['pred'])

方法3：确保时间索引连续（前置检查） #

若时间序列存在缺失值，可能导致索引逻辑混乱，先验证并修复：

# 检查索引是否单调递增且唯一
print(data.index.is_monotonic_increasing)
print(data.index.is_unique)

# 生成连续时间索引并重新对齐数据（假设是小时级频率）
full_index = pd.date_range(start=data.index.min(), end=data.index.max(), freq='H')
data = data.reindex(full_index)

内容的提问来源于stack exchange，提问作者TMK