如何将预测值添加到Pandas DataFrame中与原时间序列一同绘制

你遇到的报错是因为df['Interest_Rate']是pandas的Series对象，直接append普通Python列表会触发类型不匹配错误，而且pandas后续版本已经废弃了Series.append方法，更推荐先构造结构化的新数据框，再和原数据集合并。

完整修正代码 #

import pandas as pd
from sklearn import linear_model
import statsmodels.api as sm

Stock_Market = {'Year': [2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2017,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016,2016],
                'Month': [12, 11,10,9,8,7,6,5,4,3,2,1,12,11,10,9,8,7,6,5,4,3,2,1],
                'Interest_Rate': [2.75,2.5,2.5,2.5,2.5,2.5,2.5,2.25,2.25,2.25,2,2,2,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75,1.75],
                'Unemployment_Rate': [5.3,5.3,5.3,5.3,5.4,5.6,5.5,5.5,5.5,5.6,5.7,5.9,6,5.9,5.8,6.1,6.2,6.1,6.1,6.1,5.9,6.2,6.2,6.1],
                'Stock_Index_Price': [1464,1394,1357,1293,1256,1254,1234,1195,1159,1167,1130,1075,1047,965,943,958,971,949,884,866,876,822,704,719]        
                }

df = pd.DataFrame(Stock_Market,columns=['Year','Month','Interest_Rate','Unemployment_Rate','Stock_Index_Price'])

X = df[['Interest_Rate','Unemployment_Rate']]
Y = df['Stock_Index_Price']
 
# 训练模型
regr = linear_model.LinearRegression()
regr.fit(X, Y)

print('Intercept: \n', regr.intercept_)
print('Coefficients: \n', regr.coef_)

# ---------------- 新增部分：构造预测数据集并合并 ----------------
# 新的特征数据
New_Interest_Rate = [2.75, 3, 4, 1, 2]
New_Unemployment_Rate = [5.3, 4, 3, 2, 1]

# 批量预测5组结果，避免循环
new_X = pd.DataFrame({'Interest_Rate': New_Interest_Rate, 'Unemployment_Rate': New_Unemployment_Rate})
new_predict = regr.predict(new_X)

# 构造新数据的完整DataFrame，和原数据集列对齐
# 这里Year和Month按原数据时间顺推，原数据最后一条是2016年1月，新数据依次为2016年2-6月，你也可以根据自己的需求修改
new_df = pd.DataFrame({
    'Year': [2016]*5,
    'Month': [2,3,4,5,6],
    'Interest_Rate': New_Interest_Rate,
    'Unemployment_Rate': New_Unemployment_Rate,
    'Stock_Index_Price': new_predict
})

# 合并原数据集和新预测数据集，ignore_index重置行号
full_df = pd.concat([df, new_df], ignore_index=True)

# 打印合并后的最后10行验证结果
print(full_df.tail(10))

# ---------------- 以下原有statsmodels部分按需保留 ----------------
X_sm = sm.add_constant(X)
model = sm.OLS(Y, X_sm).fit()
predictions = model.predict(X_sm) 
print_model = model.summary()
print(print_model)

关键修改说明 #

• 直接批量传入特征矩阵给regr.predict，不需要循环逐行预测，效率更高
• 新数据先构造成和原数据集列完全一致的DataFrame，再用pd.concat合并，不会触发类型错误
• 合并时设置ignore_index=True可以自动重置整个数据集的行索引，避免索引重复

内容的提问来源于stack exchange，提问作者user2543