如何从OHLCV股票数据创建兼容GluonTS与HuggingFace的DatasetDict

直接上可落地的步骤和代码，满足你“每个交易日对应一个数据集条目”的要求：

步骤1：预处理原始数据 #

先把CSV里的日期列转成标准时间格式，同时给股票加静态类别标记（单只股票固定值即可，多只股票需做类别编码）：

import pandas as pd
from datasets import Dataset, DatasetDict

# 加载你的股票数据CSV
df = pd.read_csv("你的股票数据文件.csv")
# 转换日期列为datetime格式，确保时序模型能识别
df["timestamp"] = pd.to_datetime(df["Date"])
# 静态特征：单只股票固定为0，多只股票可改用 df["股票代码"].astype("category").cat.codes 做编码
df["stock_id"] = 0

步骤2：生成单交易日样本的数据集 #

把每个交易日的OHLCV数据映射成时序模型要求的标准字段：

# 构建数据集：target设为你要预测的列（比如收盘价），feat_dynamic_real放其他动态特征
dataset = Dataset.from_pandas(
    df[["timestamp", "Close", "Open", "High", "Low", "Volume", "stock_id"]],
    features={
        "timestamp": "timestamp",  # 时间戳字段
        "target": "Close",         # 预测目标（可改成多列，比如["Open","High","Low","Close"]）
        "feat_dynamic_real": ["Open", "High", "Low", "Volume"],  # 当日动态特征
        "feat_static_cat": "stock_id"  # 静态类别特征
    }
)

步骤3：拆分并封装成DatasetDict #

按时间顺序拆分训练/验证/测试集（绝对不能打乱，防止数据泄露）：

# 先拆训练集和测试集（8:2比例）
train_test = dataset.train_test_split(test_size=0.2, shuffle=False)
# 再把测试集拆成验证集和测试集（1:1比例）
valid_test = train_test["test"].train_test_split(test_size=0.5, shuffle=False)

# 组合成要求的DatasetDict结构
final_dataset = DatasetDict({
    "train": train_test["train"],
    "validation": valid_test["train"],
    "test": valid_test["test"]
})

# 查看结果，和你目标格式一致
print(final_dataset)

额外说明 #

• 如果要做多变量预测（同时预测OHLCV全部字段），把target改成["Open", "High", "Low", "Close", "Volume"]即可
• 静态特征feat_static_cat用于区分不同股票，单只股票固定一个整数就好，多只股票记得做类别编码
• 拆分时必须设置shuffle=False，严格按时间顺序切分，否则模型会接触到未来数据，导致结果无效

内容的提问来源于stack exchange，提问作者Harrison H