我需要对我的项目使用多元线性回归，其中我有两个因变量：mean_1 和 mean_2。自变量是 YYYY-mm-dd 格式的日期。我一直在浏览各种 stackoverflow 帖子，以了解如何在回归中使用日期作为变量。有人建议将日期转换为数值（https://stackoverflow.com/a/40217971/13713750），而另一种选择是将日期转换为虚拟变量。
我不明白的是如何将数据集中的每个日期转换为虚拟变量并将其用作自变量。是否有可能或有更好的方法将日期用作自变量？
注意：我更喜欢使用日期格式的日期，以便绘制和分析回归结果。此外，我正在使用 pyspark，但如有必要，我可以切换到 pandas。因此任何实现示例都会有所帮助。谢谢！
【问题讨论】：
标签： python pandas pyspark regression
如果您想将日期转换为数字（但我不推荐），您可以这样做：
pd.to_timedelta(df.date).dt.total_seconds().astype(int)
您也可以这样做，但要使用总秒数：
pd.to_timedelta(df.date).dt.total_seconds()
此外，您可以使用基线日期并从您的日期变量中减去该日期并获得天数，这将为您提供一个有意义的整数（更大的差异意味着未来的日期，而较小的差异表明较早的日期）。这个值对我来说可以用作模型中的自变量。
首先，我们创建一个基线日期（可以是任何你想要的），并将其添加到数据框的静态列中：
df['static'] = pd.to_datetime(datetime.date(2017, 6, 28))
然后我们获得静态日期与您的日期的天数之差
df['days'] = (df['static'] - df['date']).dt.days
然后你将有一个准备好用作自变量的数字
【讨论】：
您可以创建新列year、month、day_of_year、day_of_month、day_of_week。您还可以添加一些二进制列，例如is_weekday、is_holiday。在某些情况下，添加第三方数据是有益的，例如每日天气统计数据（我正在研究一个额外的每日天气数据证明非常有用的案例）。真的取决于您正在处理的域。这些列中的任何一个都可以揭示数据背后的一些模式。
至于虚拟变量，将month 和day_of_week 转换为虚拟变量是有意义的。
另一种选择是，为每个月构建一个模型。
【讨论】：