如何按年份创建时间序列数据的训练/测试拆分？

Question

我想交叉验证我的时间序列数据并按时间戳的年份进行拆分。

这是 pandas 数据框中的以下数据：

mock_data

timestamp             counts
'2015-01-01 03:45:14' 4
     .
     .
     .
'2016-01-01 13:02:14' 12
     .
     .
     .
'2017-01-01 09:56:54' 6
     .
     .
     .
'2018-01-01 13:02:14' 8
     .
     .
     .
'2019-01-01 11:39:40' 24
     .
     .
     .
'2020-01-01 04:02:03' 30

mock_data.dtypes
timestamp object
counts    int64

查看 scikit-learn 的 TimeSeriesSplit() 函数，似乎无法按年份指定 n_split 部分。是否有另一种方法可以创建连续的训练集，从而导致以下训练-测试拆分？

tscv = newTimeSeriesSplit(n_splits=5, by='year')
>>> print(tscv)  
newTimeSeriesSplit(max_train_size=None, n_splits=5, by='year')
>>> for train_index, test_index in tscv.split(mock_data):
...    print("TRAIN:", train_index, "TEST:", test_index)
...    X_train, X_test = X[train_index], X[test_index]
...    y_train, y_test = y[train_index], y[test_index]
TRAIN: [2015] TEST: [2016]
TRAIN: [2015 2016] TEST: [2017]
TRAIN: [2015 2016 2017] TEST: [2018]
TRAIN: [2015 2016 2017 2018] TEST: [2019]
TRAIN: [2015 2016 2017 2018 2019] TEST: [2020]

感谢观看！

Answer 1

更新回复

每年具有任意点数的数据的通用方法。

首先，根据示例，一些数据包含几年的数据，每个数据中的点数不同。这与原始答案的方法相似。

import numpy as np
import pandas as pd

ts_2015 = pd.date_range('2015-01-01', '2015-12-31', periods=4).to_series()
ts_2016 = pd.date_range('2016-01-01', '2016-12-31', periods=12).to_series()
ts_2017 = pd.date_range('2017-01-01', '2017-12-31', periods=6).to_series()
ts_2018 = pd.date_range('2018-01-01', '2018-12-31', periods=8).to_series()
ts_2019 = pd.date_range('2019-01-01', '2019-12-31', periods=24).to_series()
ts_2020 = pd.date_range('2020-01-01', '2020-12-31', periods=30).to_series()
ts_all = pd.concat([ts_2015, ts_2016, ts_2017, ts_2018, ts_2019, ts_2020])

df = pd.DataFrame({'X': np.random.randint(0, 100, size=ts_all.shape), 
                   'Y': np.random.randint(100, 200, size=ts_all.shape)},
                 index=ts_all)
df['year'] = df.index.year
df = df.reset_index()

现在我们创建一个要迭代的唯一年份列表和一个存储各种拆分数据帧的字典。

year_list = df['year'].unique().tolist()
splits = {'train': [], 'test': []}

for idx, yr in enumerate(year_list[:-1]):
    train_yr = year_list[:idx+1]
    test_yr = [year_list[idx+1]]
    print('TRAIN: ', train_yr, 'TEST: ',test_yr)
    
    splits['train'].append(df.loc[df.year.isin(train_yr), :])
    splits['test'].append(df.loc[df.year.isin(test_yr), :])

结果：

TRAIN:  [2015] TEST:  [2016]
TRAIN:  [2015, 2016] TEST:  [2017]
TRAIN:  [2015, 2016, 2017] TEST:  [2018]
TRAIN:  [2015, 2016, 2017, 2018] TEST:  [2019]
TRAIN:  [2015, 2016, 2017, 2018, 2019] TEST:  [2020]

拆分后的数据帧如下所示：

>>> splits['train'][0]

                index   X    Y  year
0 2015-01-01 00:00:00  20  127  2015
1 2015-05-02 08:00:00  25  197  2015
2 2015-08-31 16:00:00  61  185  2015
3 2015-12-31 00:00:00  75  144  2015

原始回复

有人向我指出，这种方法行不通，因为它假定每年包含相同数量的记录。

您的意图有点不清楚，但我相信您想要做的是将带有 时间戳索引 的 dataframe 传递到 TimeSeriesSplit 类的新版本中这将根据您数据中的年数产生n_split = n_years - 1。 TimeSeriesSplit 类为您提供了执行此操作的灵活性，但您需要先从时间戳索引中提取年份。结果与您所提议的不太一样，但我相信结果是您想要的。

首先是一些虚拟数据：

import numpy as np
import pandas as pd
from sklearn.model_selection import TimeSeriesSplit
    
ts_index = pd.date_range('2015-01-01','2020-12-31',freq='M')
df = pd.DataFrame({'X': np.random.randint(0, 100, size=ts_index.shape), 
                   'Y': np.random.randint(100, 200, size=ts_index.shape)},
                 index=ts_index)

现在是 TimeSeriesSplit 工作的一年。因为我们必须按行号索引这个东西并且pd.ix已被弃用，所以我将索引从时间戳重置为数字：

df['year'] = df.index.year
df = df.reset_index()

然后是具有正确拆分数的 TimeSeriesSplit 实例 (n_years - 1)：

tscv = TimeSeriesSplit(n_splits=len(df['year'].unique()) - 1)

现在我们可以生成索引了。不要打印索引，而是打印对应的年份列并且只打印唯一的年份：

for train_idx, test_idx in tscv.split(df['year']):
    print('TRAIN: ', df.loc[df.index.isin(train_idx), 'year'].unique(), 
          'TEST: ', df.loc[df.index.isin(test_idx), 'year'].unique())

TRAIN:  [2015] TEST:  [2016]
TRAIN:  [2015 2016] TEST:  [2017]
TRAIN:  [2015 2016 2017] TEST:  [2018]
TRAIN:  [2015 2016 2017 2018] TEST:  [2019]
TRAIN:  [2015 2016 2017 2018 2019] TEST:  [2020]

您当然会以类似的方式访问您的训练/测试集。如果您真的想很好地解决这个问题，您可以扩展 TimeSeriesSplit 类并自定义初始化或添加一些新方法。