ARIMA预测代码报错：无法拼接numpy.int64类型对象，求解决方法

报错原因 #

training_data为pandas Series/DataFrame类型，直接调用append方法添加numpy.int64类型的测试值不符合要求——pandas的拼接方法仅支持同类型的Series/DataFrame对象。

修改方案 #

将单个测试值转换为与training_data同类型的对象后再拼接，以下是两种可行方式：

方式1：转换为Series/DataFrame后用concat拼接（推荐，避免append弃用警告）

如果training_data是Series：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

model_predictions = []
for i in range(n_test_obser):
    model = ARIMA(training_data, order=(0,1,1))
    model_fit = model.fit()
    output = model_fit.forecast()
    yhat = output
    model_predictions.append(yhat)
    actual_test_value = testing_data[i]
    # 将单个值转为带连续索引的Series，再拼接
    new_data = pd.Series([actual_test_value], index=[training_data.index[-1] + 1])
    training_data = pd.concat([training_data, new_data])
    # 若为时间序列，需替换索引为对应时间，例如：
    # new_data = pd.Series([actual_test_value], index=[training_data.index[-1] + pd.Timedelta(days=1)])

如果training_data是DataFrame：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

model_predictions = []
for i in range(n_test_obser):
    model = ARIMA(training_data, order=(0,1,1))
    model_fit = model.fit()
    output = model_fit.forecast()
    yhat = output
    model_predictions.append(yhat)
    actual_test_value = testing_data[i]
    # 将单个值转为单行DataFrame，保持列名一致
    new_data = pd.DataFrame([actual_test_value], columns=training_data.columns)
    training_data = pd.concat([training_data, new_data], ignore_index=True)

方式2：使用append（兼容旧版pandas）

若坚持使用append，同样需要转换类型：

# 以Series为例
training_data = training_data.append(pd.Series([actual_test_value], index=[training_data.index[-1]+1]))

额外提示 #

代码中的break语句会让循环仅执行一次，正式预测时需移除该语句，才能遍历所有测试样本。

内容的提问来源于stack exchange，提问作者Pandarff