如何在时间序列数据中找到使count最大化的最优points值？

原始数据集包含百万行年度数据，以下是前十行的结构化数据：

import pandas as pd

df = pd.DataFrame({'time': {0: '2020-12-08',
  1: '2020-12-08',
  2: '2020-12-08',
  3: '2020-12-08',
  4: '2020-12-08',
  5: '2020-12-08',
  6: '2020-12-08',
  7: '2020-12-08',
  8: '2020-12-08',
  9: '2020-12-08'},
 'points': {0: 200,
  1: 50,
  2: 0,
  3: 0,
  4: 150,
  5: 200,
  6: 200,
  7: 50,
  8: 100,
  9: 200},
 'count': {0: 19,
  1: 9,
  2: 32,
  3: 28,
  4: 22,
  5: 17,
  6: 22,
  7: 17,
  8: 28,
  9: 24}})

观察完整数据集可发现：points值过高或过低时，count值都会下降。现在需要找到能让count值达到最大的最优points值，希望用高中数学层面的方法解决。

我想到一个可行思路：把points作为特征X、count作为目标y，训练一个机器学习模型（无需划分训练测试集）；接着生成包含1到500所有points值的数据集，用模型预测对应的count值；最后统计出count值最大的那个points值，就是我们要找的最优值，还能估算出比如90、106这类特定points值对应的count值。

内容的提问来源于stack exchange，提问作者Mystic