构建滚动均值预测：解决序列多余元素与测试集匹配问题

我来帮你一步步解决这两个问题，直接上实用的方案：

1. 移除fitmean末尾的第13个多余元素 #

问题出在滚动均值的计算逻辑上——默认的滚动窗口设置可能会多生成一个基于最后12个数据的均值（包含了本不该纳入的最新数据）。你可以用两种方式解决：

方式一：直接切片删除最后一个元素 #

如果fitmean是Pandas Series或DataFrame，直接用切片去掉最后一行即可：

# 保留前n-1个元素，n是当前fitmean的长度
fitmean = fitmean.iloc[:-1]

方式二：调整滚动窗口参数，从根源避免多余元素 #

如果你用的是Pandas的rolling()函数，可以设置closed='left'，让滚动窗口只包含当前时间点之前的12个数据，这样就不会额外生成最后一个元素：

# 假设parts是带日期索引的Series
fitmean = parts.rolling(window=12, closed='left').mean()

这个参数会让每个均值对应到窗口结束后的时间点，刚好符合你基于过去12个数据做预测的需求。

2. 解决测试集日期匹配问题（仅得到2017年1-6月的6个值） #

核心是让滚动均值的日期索引和testparts完全对齐。你的目标是用过去12个月的均值预测2017年1-6月，所以需要确保每个预测值的日期正好对应测试集的月份：

步骤1：确保滚动均值的索引对应测试集时间点 #

假设parts包含了2016年1月-2017年6月的完整数据，你可以先计算滚动均值，再通过shift(1)把均值“挪”到下一个月（比如2016年1-12月的均值对应2017年1月的预测）：

# 计算滚动均值，然后shift(1)让均值对应到下一个月的预测
rolling_mean = parts.rolling(window=12).mean().shift(1)
# 只保留testparts对应的日期范围（2017年1-6月）
fitmean_test = rolling_mean.loc[testparts.index]

步骤2：验证索引对齐 #

做完之后可以打印fitmean_test.index和testparts.index，确认两者完全一致，这样相减的时候就会得到完整的6个差值，不会出现日期不匹配的问题。

如果你的parts只有2016年6月-2017年6月的数据，那需要先补充2016年1-5月的数据（如果有的话），否则2017年1-5月的滚动均值会因为数据不足出现NaN。如果没有历史数据，那只能从2017年6月开始做有效预测，但根据你的需求，应该是有完整的12个月训练数据的。

内容的提问来源于stack exchange，提问作者Angus