Python/Scikit-learn/regressions - 从 pandas Dataframes 到 Scikit 预测

Question

我有以下 pandas DataFrame，名为 main_frame：

            target_var  input1  input2  input3  input4  input5    input6
Date
2013-09-01        13.0     NaN     NaN     NaN     NaN     NaN       NaN   
2013-10-01        13.0     NaN     NaN     NaN     NaN     NaN       NaN   
2013-11-01        12.2     NaN     NaN     NaN     NaN     NaN       NaN   
2013-12-01        10.9     NaN     NaN     NaN     NaN     NaN       NaN   
2014-01-01        11.7       0      13      42       0       0        16   
2014-02-01        12.0      13       8      58       0       0        14   
2014-03-01        12.8      13      15     100       0       0        24   
2014-04-01        13.1       0      11      50      34       0        18   
2014-05-01        12.2      12      14      56      30      71        18   
2014-06-01        11.7      13      16      43      44       0        22   
2014-07-01        11.2       0      19      45      35       0        18   
2014-08-01        11.4      12      16      37      31       0        24   
2014-09-01        10.9      14      14      47      30      56        20   
2014-10-01        10.5      15      17      54      24      56        22   
2014-11-01        10.7      12      18      60      41      63        21   
2014-12-01         9.6      12      14      42      29      53        16   
2015-01-01        10.2      10      16      37      31       0        20   
2015-02-01        10.7      11      20      39      28       0        19   
2015-03-01        10.9      10      17      75      27      87        22   
2015-04-01        10.8      14      17      73      30      43        25   
2015-05-01        10.2      10      17      55      31      52        24

我在探索 Scikit-learn 上的数据集时遇到了麻烦，我不确定问题是否出在 pandas 数据集、作为索引的日期、NaN/Infs/Zeros（我不知道如何解决），一切，我无法追踪的其他事情。

我想构建一个简单的回归，以根据名为“Input”的变量（1、2、3..）预测下一个 target_var 项目。

请注意，时间序列中有很多零和 NaN，最终我们可能也会找到 Inf。

Answer 1

您应该首先尝试删除具有Inf、-Inf 或 NaN 值的任何行（其他方法包括使用特征的平均值填充 NaN）。

df = df.replace(to_replace=[np.Inf, -np.Inf], value=np.NaN)
df = df.dropna()

现在，创建一个包含特征的 numpy 矩阵和一个目标向量。鉴于您的目标变量位于第一列，您可以使用基于整数的索引，如下所示：

X = df.iloc[:, 1:].values
y = df.iloc[:, 0].values

然后创建并拟合您的模型：

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X=X, y=y)

现在您可以观察您的估计：

>>> model.intercept_
12.109583092421092

>>> model.coef_
array([-0.05269033, -0.17723251,  0.03627883,  0.02219596, -0.01377465,
        0.0111017 ])