如何在LinearRegression模型中使用字符串格式日期并完成取值范围转换

1 日期格式转换（保留排序属性） #

你需要先把MM/DD/YYYY格式的字符串日期转换为可数值化的时间特征，同时保证日期越靠后数值越大，天然符合排序要求：

• pandas批量转换示例：

import pandas as pd

# 字符串转datetime对象
df["raw_date"] = pd.to_datetime(df["raw_date"], format="%m/%d/%Y")

2 数值归一化到[0,1)区间 #

你要求的类似0.2008的取值可以通过两种方式实现，都能保留排序逻辑，适配线性回归输入要求：

方式一：基于全量数据集的相对日期归一化 #

以全量数据最早日期为基准，最大日期为上限做归一化，保证所有值落在0~1之间：

# 计算距离最早日期的天数差
min_date = df["raw_date"].min()
df["date_days"] = (df["raw_date"] - min_date).dt.days

# 归一化到[0,1)
max_days = df["date_days"].max()
df["date_norm"] = df["date_days"] / (max_days + 1)

方式二：基于年份占比的归一化 #

可以直接输出和你示例格式一致的带年份标识的归一化值：

# 计算 年份+当年已过天数/全年天数 的格式
df["year_frac"] = df["raw_date"].dt.year + (df["raw_date"].dt.dayofyear / (366 if df["raw_date"].dt.is_leap_year else 365))
# 缩放到0~1区间，得到类似0.2008的取值
df["date_norm"] = df["year_frac"] / 10000

注意事项 #

• 归一化用到的最大、最小统计值必须从全量数据集计算，不能仅用训练集数据，否则会破坏全局排序逻辑，甚至出现测试集数值超出[0,1)范围的问题
• 转换后的date_norm特征可以直接输入线性回归模型，模型可以正常识别时间趋势，不会出现排序混乱的问题

内容的提问来源于stack exchange，提问作者امیرحسین شکیبا