如何基于数值拆分通过read_csv读取的Pandas时间序列？

Hey there! 看你已经用Pandas读取了这份带日期索引的时间序列数据，要把它拆分成两部分（通常是训练集和测试集对吧？），这里有几种符合时间序列特性的实现方法——记住绝对不能用随机拆分哦，会破坏时序逻辑的：

1. 按比例拆分（最常用） #

如果没有特定的时间节点要求，直接按数据量比例拆分是最方便的，比如80%作为训练集，20%作为测试集：

# 计算拆分索引，取前80%作为训练集
split_ratio = 0.8
split_index = int(len(series) * split_ratio)

# 拆分数据
train_data = series[:split_index]
test_data = series[split_index:]

# 可以打印下拆分后的数量验证
print(f"训练集样本数: {len(train_data)}, 测试集样本数: {len(test_data)}")

2. 按指定日期拆分 #

如果你的业务有明确的时间分割点（比如某一年之后作为测试），利用日期索引直接筛选就好：

# 设定拆分日期，比如2017-01-01
split_date = '2017-01-01'

# 拆分数据
train_data = series[series.index < split_date]
test_data = series[series.index >= split_date]

# 验证拆分结果
print(f"训练集时间范围: {train_data.index.min()} 至 {train_data.index.max()}")
print(f"测试集时间范围: {test_data.index.min()} 至 {test_data.index.max()}")

注：你的数据索引已经是datetime类型了，所以可以直接和字符串日期比较；如果索引还不是datetime类型，先执行series.index = pd.to_datetime(series.index)转换。

3. 按固定样本数拆分 #

如果你明确知道需要多少样本作为训练/测试，直接用位置索引拆分：

# 比如取前1500条作为训练集
train_data = series.iloc[:1500]
test_data = series.iloc[1500:]

重要提醒 #

时间序列拆分必须严格保持时序顺序，绝对不能用sklearn.model_selection.train_test_split的默认随机拆分方式，否则会导致未来数据泄露到训练集中，模型评估结果完全失真！

内容的提问来源于stack exchange，提问作者prabhakar