如何在scikit-learn中为长时序数据构建回归预测模型？

原代码核心问题 #

• 仅提取单一行数据（data = df.iloc[0]），样本量为1，模型无法学习任何规律
• 先执行model.fit(X_train, y_train)再拆分数据，此时X_train和y_train未定义，会直接报错
• 目标变量仅选取1980年的需求，无法捕捉时间维度的需求变化规律
• 宽格式数据结构不适合时间序列回归建模

完整修正代码 #

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

# ---------------------- 1. 数据预处理：宽格式转长格式 ----------------------
# 假设原始df包含列：Country, ISO, 1980, 1981,...,2021, 1980_dem, 1981_dem,...,2021_dem
year_cols = [str(year) for year in range(1980, 2022)]
dem_cols = [f"{year}_dem" for year in range(1980, 2022)]

# 重塑人口数据
population_df = df.melt(id_vars=['Country', 'ISO'], value_vars=year_cols, 
                        var_name='Year', value_name='Population')
population_df['Year'] = population_df['Year'].astype(int)

# 重塑需求数据
demand_df = df.melt(id_vars=['Country', 'ISO'], value_vars=dem_cols, 
                    var_name='Year_dem', value_name='Demand')
demand_df['Year'] = demand_df['Year_dem'].str.extract('(\d+)').astype(int)
demand_df = demand_df.drop('Year_dem', axis=1)

# 合并人口与需求数据
processed_data = pd.merge(population_df, demand_df, on=['Country', 'ISO', 'Year'], how='inner')
# 处理缺失值
processed_data = processed_data.dropna(subset=['Population', 'Demand'])

# ---------------------- 2. 特征与目标变量定义 ----------------------
# 对国家进行数值编码
processed_data['Country_code'] = processed_data['Country'].astype('category').cat.codes

X = processed_data[['Country_code', 'Year', 'Population']]
y = processed_data['Demand']

# ---------------------- 3. 拆分数据并训练模型 ----------------------
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=44)
model = RandomForestRegressor(n_estimators=50, max_features="auto", random_state=44)
model.fit(X_train, y_train)

# ---------------------- 4. 模型评估 ----------------------
y_pred = model.predict(X_test)
r2 = r2_score(y_test, y_pred)
print(f"模型R²分数: {round(r2, 2)}")

# ---------------------- 5. 未来需求预测 ----------------------
# 示例：构造某国家2022-2030年的人口预测数据
future_data = pd.DataFrame({
    'Country_code': [processed_data[processed_data['Country'] == 'China']['Country_code'].iloc[0]]*9,
    'Year': range(2022, 2031),
    'Population': [1412000000, 1410000000, 1408000000, 1405000000, 1402000000,
                   1399000000, 1396000000, 1393000000, 1390000000]
})

# 预测未来需求
future_demand = model.predict(future_data)
future_data['Predicted_Demand'] = future_demand
print("\n未来需求预测结果：")
print(future_data[['Year', 'Population', 'Predicted_Demand']])

关键说明 #

1. 数据重塑：通过melt将宽格式转为长格式，让模型能学习年份、人口与需求的关联
2. 特征编码：将国家名称转为数值编码，适配树模型对特征类型的要求
3. 评估指标：回归任务用R²分数评估（范围0-1，越接近1拟合效果越好），避免误用分类任务的accuracy指标
4. 未来预测：需提前准备未来年份的人口数据（可通过专业人口预测数据源获取），构造与训练数据一致的特征格式即可生成需求预测

内容的提问来源于stack exchange，提问作者PiotrK