能否在LSTM预测模型中遍历Pandas DataFrame获取指定行预测结果？

完全可以实现，核心是先对指定范围的原始数据完成与训练流程一致的预处理，再用模型预测后反标准化得到结果。以下是具体步骤和代码：

步骤1：提取指定范围的原始数据 #

先从DataFrame中取出你需要的行范围，比如第0到20行（注意iloc是左闭右开，包含第20行需用0:21）：

# 提取0到20行的原始数据（包含第20行）
target_subset = df.iloc[0:21]

步骤2：执行一致的预处理操作 #

使用训练时的同一个StandardScaler实例对该子集做标准化处理（确保和训练数据的预处理逻辑完全一致，比如训练时只处理特定特征列，这里也要选择相同列）：

# 预处理指定范围的数据
scaled_target = scaler.transform(target_subset)

步骤3：模型预测并反标准化 #

用训练好的模型对预处理后的子集预测，再通过inverse_transform还原到原始数值尺度：

# 预测
y_pred_subset = model.predict(scaled_target)
# 反标准化并转为整数
predicted_array = scaler.inverse_transform(y_pred_subset).astype(int)
# 输出结果
print("指定范围的预测数值数组：")
print(predicted_array)

你之前尝试的问题说明 #

• df.iterrows()/df.iteritems()：这两个方法遍历的是原始未预处理的数据，没有经过模型要求的标准化，无法直接得到预测结果。
• for index, row in np.array([scaled_to_predict])：错误原因是np.array([scaled_to_predict])生成的二维数组，遍历每个元素时只有单行数据，无法解包成index, row两个值。如果要遍历预处理后的行，直接写：

  for row in scaled_to_predict:
      print(row)
  

内容的提问来源于stack exchange，提问作者majcram