嘿，这两个问题都是时序预测里非常典型的场景，我来给你拆解清楚～

LSTM的核心优势是捕捉时序数据的时间依赖关系，而你提到的“当前/未来特征”（比如次日要执行的折扣）属于非时序的条件特征，我们需要把这两类特征合理整合，让模型同时学习时序规律和条件约束。具体步骤如下：

• 第一步：明确特征分类
  先把特征分成两类，避免混淆：

  • 时序历史特征：过去N天的unit_sales（销量）、Discount（折扣）——这部分是随时间变化的序列，LSTM会学习它们的趋势、周期等规律。
  • 非时序条件特征：次日将要执行的Discount——这部分是每个预测样本对应的“已知条件”，因为你提前知道次日的折扣，所以可以作为附加特征输入模型。

• 第二步：构造适配LSTM的输入数据
  LSTM的标准输入是三维张量：(样本数量, 时间步长, 特征维度)。针对两类特征，有两种常用的整合方式：

  1. 将条件特征拼接在每个时间步上：把次日折扣加到过去3天每个时间步的特征里，比如每个时间步的特征从[销量, 当日折扣]变成[销量, 当日折扣, 次日折扣]，这样输入张量形状为(样本数, 3, 3)。这种方式简单直接，适合条件特征对整个时序都有影响的场景。
  2. LSTM编码后拼接条件特征：先用LSTM处理历史时序特征，得到一个包含时序信息的编码向量，再把次日折扣和这个向量拼接，通过全连接层输出预测结果。这种方式更灵活，能区分时序规律和条件特征的独立影响。

• 第三步：模型构建与训练
  用TensorFlow/Keras举个简单的伪代码示例：

  # 方式1：条件特征拼接在每个时间步
  from tensorflow.keras import Input, Model
  from tensorflow.keras.layers import LSTM, Dense
  
  input_layer = Input(shape=(3, 3))  # 3个时间步，每个步3个特征
  lstm_layer = LSTM(64)(input_layer)
  output_layer = Dense(1)(lstm_layer)
  model = Model(inputs=input_layer, outputs=output_layer)
  model.compile(optimizer='adam', loss='mse')
  
  # 方式2：LSTM后拼接条件特征
  seq_input = Input(shape=(3, 2))  # 时序特征：3步，每步2个特征（销量、当日折扣）
  lstm_out = LSTM(64)(seq_input)
  static_input = Input(shape=(1,))  # 条件特征：次日折扣
  concat = tf.keras.layers.Concatenate()([lstm_out, static_input])
  dense = Dense(32, activation='relu')(concat)
  output_layer = Dense(1)(dense)
  model = Model(inputs=[seq_input, static_input], outputs=output_layer)
  model.compile(optimizer='adam', loss='mse')
  

  训练时，方式2需要把时序数据和条件数据分开传入模型。

• 第四步：预测阶段
  预测时，要和训练时的输入结构一致：比如要预测某一天的销量，先取出过去3天的销量和折扣组成时序序列，再加上已知的次日折扣，输入模型即可得到预测结果。

首先要确保你的DataFrame是按日期升序排列的，这是时序处理的基础。假设你的原始DataFrame包含date、price、marked_price、Discount、unit_sales列，下面提供两种重塑方式：

方式1：生成扁平特征列（适合数据清洗和可视化） #

这种方式把所有需要的特征展开成单独的列，方便你查看每个样本的完整信息：

import pandas as pd

# 1. 按日期排序
df = df.sort_values('date').reset_index(drop=True)

# 2. 生成过去3天的销量和折扣特征
for day in range(1, 4):
    df[f'unit_sales_{day}d_ago'] = df['unit_sales'].shift(day)
    df[f'Discount_{day}d_ago'] = df['Discount'].shift(day)

# 3. 生成次日的折扣（条件特征）和目标销量（要预测的y）
df['next_day_Discount'] = df['Discount'].shift(-1)
df['next_day_unit_sales'] = df['unit_sales'].shift(-1)

# 4. 丢弃缺失值（前3天没有足够历史数据，最后一行没有次日数据）
df_clean = df.dropna().reset_index(drop=True)

此时df_clean的每一行就是一个完整的样本：包含过去3天的销量、折扣，次日的折扣，以及要预测的次日销量。

方式2：直接生成LSTM所需的3D张量（适合直接喂入模型） #

如果想跳过扁平列的步骤，直接生成模型需要的输入张量，可以写一个简单的函数：

import numpy as np

def create_lstm_sequences(df, seq_length=3):
    # 提取时序特征、条件特征和目标变量
    seq_features = df[['unit_sales', 'Discount']].values
    static_features = df['Discount'].shift(-1).values
    target = df['unit_sales'].shift(-1).values

    X_seq, X_static, y = [], [], []

    # 遍历生成每个样本
    for i in range(len(df) - seq_length):
        # 取过去seq_length天的时序特征
        X_seq.append(seq_features[i:i+seq_length])
        # 取对应样本的次日折扣
        X_static.append(static_features[i+seq_length-1])
        # 取对应样本的目标销量
        y.append(target[i+seq_length-1])

    # 转换为numpy数组，适配LSTM输入格式
    X_seq = np.array(X_seq)
    X_static = np.array(X_static).reshape(-1, 1)  # 转为(样本数, 1)的形状
    y = np.array(y)

    return X_seq, X_static, y

# 生成模型输入数据
X_seq, X_static, y = create_lstm_sequences(df)

X_seq是形状为(样本数, 3, 2)的时序输入，X_static是形状为(样本数, 1)的次日折扣特征，y是目标销量，刚好可以对应上面方式2的模型输入。

内容的提问来源于stack exchange，提问作者Aaron_Geng