如何将AutoReg预测生成的Pandas Series整数索引转为DatetimeIndex？

核心原因 #

直接调用model_h.model.predict()时，未拟合的模型实例不会自动关联训练数据的DatetimeIndex，因此返回的预测结果默认使用整数索引。之前重索引失败，大概率是因为生成的时间序列与预测结果长度不匹配，或是时间范围、频率设置错误导致无重叠索引。

两种解决思路 #

方法一：直接使用拟合后模型的predict()方法 #

拟合完成的模型实例（model_h）已保留训练数据的时间索引信息，直接调用它的predict()方法会自动返回带DatetimeIndex的预测结果：

from statsmodels.tsa.ar_model import AutoReg

model_h = AutoReg(train, lags=lag, missing='drop').fit()
# 直接用拟合后的模型调用predict，无需手动传递参数
predictions = model_h.predict(start='2023-02-13 00:00:00', end='2023-02-13 12:00:00')

这是最简便的处理方式，statsmodels会自动完成时间索引的映射。

方法二：手动为预测结果匹配DatetimeIndex #

如果一定要使用model_h.model.predict()，需确保预测结果长度与目标时间序列一致，再手动绑定索引：

1. 生成与训练数据频率一致的目标时间范围：

import pandas as pd
# 复用训练数据的频率，避免出现长度不匹配问题
pred_dates = pd.date_range(start='2023-02-13 00:00:00', end='2023-02-13 12:00:00', freq=train.index.freq)

2. 调用model_h.model.predict()时，用整数指定预测的起始和结束位置（从训练数据末尾开始计数），再绑定时间索引：

# len(train)对应训练数据的最后一个位置，往后取len(pred_dates)个预测点
pred_values = model_h.model.predict(model_h.params, start=len(train), end=len(train)+len(pred_dates)-1)
predictions = pd.Series(pred_values, index=pred_dates)

内容的提问来源于stack exchange，提问作者PLZ_help