如何用Python通过FPCA补全温度曲线？解决代码维度匹配报错

报错原因 #

你遇到的ValueError: Incorrect dimension in data_matrix and grid_points，核心问题是测试数据的网格点数量（100天）和FPCA训练时的网格点数量（365天）不匹配。FPCA模型训练后，要求输入的待转换数据必须和训练数据的维度、网格点完全一致，不能直接用短序列（100天）去调用transform方法。

曲线补全实现步骤及修正代码 #

要完成前100天数据的补全，需要先把测试数据扩展为365天的维度（缺失部分用NaN填充），再用训练好的FPCA模型处理：

1. 构造带缺失值的测试数据矩阵
   把5条仅含前100天的测试曲线，扩展为365天的矩阵，剩余天数用NaN填充，保证和训练数据的维度一致：

   import numpy as np
   
   # 假设testing_data形状为(5, 100)，对应5条曲线的前100天数据
   # 创建365天的空矩阵，填充NaN
   test_data_365 = np.full((5, 365), np.nan)
   # 前100天填入已知数据
   test_data_365[:, :100] = testing_data
   

2. 修正FPCA流程代码
   使用扩展后的365天测试数据创建FDataGrid，后续流程即可正常执行：

   from skfda import FDataGrid
   from skfda.preprocessing.dim_reduction import FPCA
   
   # 训练集处理（和原代码一致）
   train_grid = FDataGrid(data_matrix=training_data, grid_points=day[:365])
   fpca = FPCA(n_components=2)
   fpca.fit(train_grid)
   
   # 测试集处理（使用扩展后的365天数据）
   test_grid = FDataGrid(data_matrix=test_data_365, grid_points=day[:365])
   test_scores = fpca.transform(test_grid)
   # 逆变换得到补全后的365天温度曲线
   y_pred = fpca.inverse_transform(test_scores)
   

关键说明 #

• 这里依赖scikit-fda库的FPCA对缺失值的支持，它会自动忽略NaN部分，基于已知的前100天数据计算主成分得分，再通过逆变换补全剩余天数。
• 确保training_data形状为(15, 365)（15条完整曲线），day是长度为365的时间序列数组，维度对应正确。

内容的提问来源于stack exchange，提问作者bayoote