如何将时间序列DataFrame转为单变量LSTM分类器的合法输入？

你搭建的LSTM模型要求输入为3维张量，维度规则为(样本数量, 时间步长, 特征数量)，对应你代码里定义的input_shape=(n_timesteps,n_features)参数。
你当前转换后得到的输入是形状为(370*27, 25)的二维数组，缺少了最后一维的特征数量维度，因此触发维度不匹配的报错。

根据你设定的时间步长25、单特征的参数，转换逻辑需要补充最后一维的特征维度，分两种场景处理：

• 场景1：你需要将每条长度为675的原始时间序列，拆分为27条长度为25的子序列作为独立样本
  可以直接一步完成reshape操作：

  X = df.values.reshape((370 * 27, 25, 1))
  

  注意：这种情况下你的标签y也需要同步调整，总数量要和输入样本数370*27=9990对应，否则训练时还会出现标签和样本不匹配的错误。
• 场景2：你不需要拆分原始序列，希望每条长度为675的原始样本对应一个分类结果
  首先需要将LSTM层的输入时间步长修改为675，再做维度转换：

  # 修改模型输入定义
  n_timesteps = 675
  model = Sequential() 
  model.add(LSTM(100,input_shape=(n_timesteps,n_features)))
  # 后续层代码保持不变
  
  # 数据转换
  X = df.values.reshape((370, 675, 1))
  

从你最初的参数设置来看，场景1更符合你的预期需求。

内容的提问来源于stack exchange，提问作者Cranjis