Pandas中是否有便捷方法还原一阶差分时间序列的真实值？

你问的这个问题其实很常见——用差分让时间序列平稳后做预测，最后得把差分预测值还原成原始尺度才能计算误差。Pandas里虽然没有专门的「逆差分」函数，但有一套简洁的标准做法，比你自己写的粗糙逻辑靠谱多了，结合你的示例给你一步步讲：

核心逻辑 #

差分的逆操作本质就是累加差分序列 + 基准初始值。对于测试集来说，这个基准值就是训练集的最后一个观测值——因为测试集的第一个原始值 = 训练集最后一个值 + 测试集第一个差分，后续的值以此类推累加。

结合你的示例实操 #

先把你的示例数据用Pandas实现，再演示还原和误差计算：

import pandas as pd
import numpy as np
from sklearn.metrics import mean_squared_error

# 构造你的示例数据
df = pd.Series([3, 10, 12, 15, 4])
training = df.iloc[:3]  # 训练集：[3, 10, 12]
test = df.iloc[3:]      # 真实测试值：[15, 4]

# 对训练集做一阶差分（去掉空值）
diff_training = training.diff().dropna()  # [7, 2]

# 模拟模型预测的测试集差分（实际场景中这里是模型输出）
pred_diff_test = pd.Series([3, -11])

还原预测值到原始尺度

这一步是关键，用训练集的最后一个值作为基准，对预测的差分做累加后加上基准：

# 还原预测的测试值
pred_test = training.iloc[-1] + pred_diff_test.cumsum()

运行后pred_test就是[15, 4]，和真实测试值完全匹配，完美还原。

计算sqrt(RMSE)

现在就可以直接用还原后的预测值和真实测试值计算误差了：

# 计算RMSE的平方根
sqrt_rmse = np.sqrt(mean_squared_error(test, pred_test))
print(f"sqrt(RMSE): {sqrt_rmse}")  # 这里输出0，因为我们用了真实差分模拟预测

扩展：多阶差分的还原 #

如果你的数据做了多阶差分（比如两次.diff()），只需要重复这个逻辑即可：先还原高阶差分到低阶，再还原到原始尺度，每次都用上一步还原后的最后一个值作为基准。比如二阶差分的还原：

# 对训练集做二阶差分
diff2_training = diff_training.diff().dropna()  # [-5]

# 模拟预测的二阶差分测试序列
pred_diff2_test = pd.Series([1, -14])  # 对应真实测试一阶差分[3,-11]的差分

# 第一步：还原一阶差分
pred_diff_test = diff_training.iloc[-1] + pred_diff2_test.cumsum()  # [2+1=3, 3+(-14)=-11]

# 第二步：还原原始测试值
pred_test = training.iloc[-1] + pred_diff_test.cumsum()  # [12+3=15, 15+(-11)=4]

总结 #

这个方法完全利用Pandas内置的cumsum()和索引操作，简洁且没有bug。核心就是抓住差分的数学本质：原始序列 = 基准初始值 + 差分序列的累加和，而测试集的基准值就是训练集的最后一个观测点。

内容的提问来源于stack exchange，提问作者Alex Kornakov