如何将指数平滑模型预测值导入Power BI/Power Query并生成未来6个月数据集

我看了你的代码，问题主要出在几个细节上，导致你没法得到独立的未来6个月预测数据集。咱们一步步来修正：

问题根源 #

1. 训练集取错了：你在循环里用dataset.iloc[:4,0]取训练数据，但这是整个数据集的前4行，不是当前TPID的子数据集TPID_df，等于每个TPID都在重复用同一批错误的训练数据。
2. 预测值没有绑定未来日期和TPID：你得到的y_hat只有数值，没有对应的未来月份，也没标记属于哪个TPID，最后自然没法生成有意义的独立数据集。
3. 没有收集合并预测结果：循环里处理完每个TPID后，没把结果存起来合并，最后等于没返回有效的预测数据。

修正后的完整代码 #

# 'dataset' holds the input data for this script
dataset = dataset.drop_duplicates()
import pandas as pd
from datetime import datetime, timedelta
from statsmodels.tsa.holtwinters import ExponentialSmoothing

# 标准化日期格式，设置为索引
dataset['Month'] = pd.to_datetime(dataset['Month'])
dataset.set_index('Month', inplace=True)

def get_prediction(dataset):
    # 用来存储所有TPID的预测结果
    all_predictions = []
    list_TPID = dataset.TPID.unique()
    
    for TPID in list_TPID:
        # 筛选当前TPID的历史数据
        TPID_df = dataset.loc[dataset['TPID'] == TPID].copy()
        # 时序模型必须按时间排序，这一步很关键
        TPID_df = TPID_df.sort_index()
        
        # 用当前TPID的全部历史数据训练模型（如果需要拆分训练测试集可以调整）
        train_data = TPID_df.iloc[:, 0]  # 这里假设目标变量是第一列，换成列名更稳妥，比如TPID_df['Your_Target_Col']
        
        # 训练Holt-Winters模型
        model = ExponentialSmoothing(train_data, trend='add', damped=False).fit()
        
        # 生成未来6个月的日期索引
        last_hist_date = TPID_df.index[-1]
        future_months = [last_hist_date + timedelta(months=i+1) for i in range(6)]
        
        # 预测未来6个月的值，并绑定日期索引
        y_hat = model.forecast(6)
        y_hat.index = future_months
        
        # 把预测值转换成带TPID和日期的DataFrame
        pred_df = pd.DataFrame(y_hat, columns=['Predicted_Value'])
        pred_df['TPID'] = TPID
        pred_df.reset_index(inplace=True)
        pred_df.rename(columns={'index': 'Month'}, inplace=True)
        
        # 把当前TPID的预测结果加入总列表
        all_predictions.append(pred_df)
    
    # 合并所有TPID的预测结果成一个完整数据集
    final_predictions = pd.concat(all_predictions, ignore_index=True)
    return final_predictions

# 调用函数得到预测结果，赋值给dataset让Power BI识别
dataset = get_prediction(dataset)

关键改动说明 #

• 精准筛选TPID数据：每个循环只处理当前TPID的历史数据，确保模型训练的是对应实体的时序规律。
• 生成未来日期：根据每个TPID的最后一个历史月份，自动计算出接下来6个月的日期，让预测值和时间一一对应。
• 添加TPID标识：每个预测结果都标记所属的TPID，方便你在Power BI中按维度分析。
• 合并结果：把所有TPID的预测数据整合成一个数据集，直接返回给Power BI作为输出。

额外提示 #

如果你的目标变量不是数据集的第一列，记得把iloc[:, 0]改成实际的列名，比如TPID_df['Sales']，这样更不容易出错。另外，运行前确保你的历史数据没有缺失或乱序，时序模型对数据质量要求很高。

内容的提问来源于stack exchange，提问作者joker123