机器学习场景下向X数组追加时间戳失败及预测维度不匹配问题

问题1：时间戳无法追加到X数组的解决 #

根因 #

• np.append() 不是原地修改函数，执行后会返回新数组，你没有将结果赋值回X，所以原数组不会发生任何变化
• 你的原X是形状为(n, 1)的二维数组，直接追加标量会默认把数组拍平为一维，不符合后续模型输入要求
• 你猜测的科学计数法问题完全是numpy的显示格式问题，内部存储的数值和你生成的时间戳完全一致，不影响实际使用

修复后的追加代码 #

import numpy as np
from datetime import datetime

dates = ["2021-12-23", "2022-12-24", "2023-12-25", "2024-12-26", "2025-12-27",]
# 批量转换为时间戳
timestamps = [int(datetime.timestamp(datetime.strptime(dt, "%Y-%m-%d"))) for dt in dates]
# 转为形状 (5,1) 的二维数组，和原X维度匹配
timestamps_arr = np.array(timestamps).reshape(-1, 1)
# 追加到原X末尾，赋值回X才会生效
X = np.append(X, timestamps_arr, axis=0)

如果需要关闭numpy的科学计数法显示，可以额外添加一行配置：
np.set_printoptions(suppress=True)

问题2：维度不匹配报错的解决 #

根因 #

你把新增的5个无标签样本追加到了原始带标签的X里，原始Y只有对应原来766个样本的标签，你用包含771个样本的X预测出来的结果去和766个Y计算均方误差，自然会出现维度不匹配的报错。待预测的5个样本本就没有对应Y值，不需要参与误差计算。

修复后的预测代码 #

import numpy as np
from matplotlib import pyplot as plt
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import mean_squared_error

# 定义模型并训练
model = DecisionTreeRegressor()
model.fit(X_train, Y_train)

# 全量预测（包含原始766个样本和新增5个待预测样本）
predictions = model.predict(X)

# 计算MSE时只取前766个样本的预测结果，和对应Y匹配
print("模型均方误差：", mean_squared_error(Y, predictions[:766]))

# 单独提取5个未来日期的预测结果
future_predictions = predictions[766:]
print("未来日期的预测结果：", future_predictions)

内容的提问来源于stack exchange，提问作者Piotr Żak