LSTM多变量时间序列预测报错：float()参数不能为Timestamp类型

一、解决TypeError: float() argument must be a string or a number, not 'Timestamp' #

报错核心原因：归一化工具（比如MinMaxScaler）仅支持数值型数据，而你的数据集里包含date_time这个Timestamp类型列，工具尝试将时间戳转为浮点型时失败。

解决步骤：

• 先把时间列从待归一化数据中拆分，只对数值列（比如Close）执行归一化
• 归一化完成后，再将时间列与处理后的数值列合并

示例代码：

import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 假设数据存储在df中，包含date_time和Close列
# 分离时间列与数值列
time_data = df['date_time'].copy()
numeric_cols = df[['Close']]

# 初始化归一化器并处理数值列
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_numeric = scaler.fit_transform(numeric_cols)

# 转回数据框并合并时间列
scaled_df = pd.DataFrame(scaled_numeric, columns=['Scaled_Close'])
scaled_df['date_time'] = time_data
# 调整列顺序（可选）
scaled_df = scaled_df[['date_time', 'Scaled_Close']]

二、将时间转为Unix格式的操作 #

Unix时间戳是从1970-01-01 UTC到目标时间的秒数/毫秒数，用Pandas可快速实现转换：

1. 转换为秒级Unix时间戳 #

# 简洁写法
df['unix_seconds'] = df['date_time'].apply(lambda x: x.timestamp())

# 更高效的方式（利用Timestamp的纳秒存储特性）
df['unix_seconds'] = df['date_time'].view('int64') // 10**9

2. 转换为毫秒级Unix时间戳 #

如果模型需要毫秒级精度：

df['unix_milliseconds'] = df['date_time'].view('int64') // 10**6

注意：若date_time还不是Timestamp类型，需先转换：df['date_time'] = pd.to_datetime(df['date_time'])

内容的提问来源于stack exchange，提问作者RG83