scikit-learn 中纵向/面板数据的交叉验证

Question

我有一些纵向/面板数据，格式如下（数据输入代码在问题下方）。 X 和 y 的观测值按时间和国家/地区编制索引（例如，美国在时间 1，美国在时间 2，CAN 在时间 1）。

    time x  y
USA 1    5  10
USA 2    5  12
USA 3    6  13
CAN 1    2  2
CAN 2    2  3
CAN 3    4  5

我正在尝试使用 sklearn 预测 y。对于一个可重现的例子，我们可以使用线性回归。

为了执行 CV，我不能使用test_train_split，因为这样拆分可能会将来自time = 3 的数据放入X_train，并将来自time = 2 的数据放入y_test。这将无济于事，因为在time = 2，当我们试图预测y 时，我们还没有真正在time = 3 有数据进行训练。

我正在尝试使用 TimeSeriesSplit 来实现 CV，如下图所示：

（来源：https://stats.stackexchange.com/questions/14099/using-k-fold-cross-validation-for-time-series-model-selection）

y = df.y
X = df.drop(['y'], 1)
print(y)
print(X)

from sklearn.model_selection import TimeSeriesSplit

X = X.to_numpy()

from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits = 2, max_train_size=3)
print(tscv)
for train_index, test_index in tscv.split(X):
    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]

这可以满足我的需要，但并不完全：

TRAIN: [0 1] TEST: [2 3]
TRAIN: [1 2 3] TEST: [4 5]

• 我现在如何使用 TimeSeriesSplit 索引来交叉验证模型？

我认为复杂的可能是我的数据不是严格的时间序列：它不仅由time 索引，而且还由country 索引，因此数据的纵向/面板性质。

我想要的输出是：

1. 一系列测试和训练指标让我能够执行“向前走”CV

例如

TRAIN: [1] TEST: [2]
TRAIN: [1 2] TEST: [3]

1. X_train、x_test、y_test、y_train 根据time 的值使用上面的索引拆分，或者明确我是否需要这样做。

2. 使用“向前走”CV 方法交叉验证的任何模型（例如线性回归）的准确度得分。

编辑：感谢@sabacherli 回答了我的问题的第一部分，并修复了出现的错误。

数据输入代码

import numpy as np
import pandas as pd

data = np.array([['country','time','x','y'],
                ['USA',1, 5, 10],
                ['USA',2, 5, 12],
                ['USA',3,6, 13],
                ['CAN',1,2, 2],
                ['CAN',2,2, 3],
                ['CAN',3,4, 5]],                
               )
                
df = pd.DataFrame(data=data[1:,1:],
                  index=data[1:,0],
                  columns=data[0,1:])

df

Answer 1

TimeSeriesSplit 假定您的数据集是按时间索引的，这意味着每一行都属于不同的时间步长。那么为什么不unstack 数据这样你只有时间作为索引然后拆分。拆分后，您可以再次stack 数据形状以获取您的基础表进行训练。

data = np.array([['country','time','x','y'],
                ['USA',1, 5, 10],
                ['USA',2, 5, 12],
                ['USA',3,6, 13],
                ['CAN',1,2, 2],
                ['CAN',2,2, 3],
                ['CAN',3,4, 5]],                
               )

df = pd.DataFrame(data=data[1:,1:],
                  index=data[1:,0],
                  columns=data[0,1:])

df1 = df.reset_index().set_index(['time','index']).unstack(-1)
print(df1)

        x       y    
index CAN USA CAN USA
time                 
1       2   5   2  10
2       2   5   3  12
3       4   6   5  13

现在，由于每一行都按时间索引，您可以轻松地将这些数据分成组，然后在拆分后再次堆叠以获得您的 X_train X_test 等...

from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits = 2, max_train_size=3)

X_cols = ['time', 'index', 'x']
y_cols = ['y']

for train_index, test_index in tscv.split(df1):
    print("TRAIN:", train_index, "TEST:", test_index)
    X_train, X_test = df1.iloc[train_index].stack(-1).reset_index()[X_cols].to_numpy(), df1.iloc[test_index].stack(-1).reset_index()[X_cols].to_numpy()
    y_train, y_test = df1.iloc[train_index].stack(-1).reset_index()[y_cols].to_numpy(), df1.iloc[test_index].stack(-1).reset_index()[y_cols].to_numpy()

TRAIN: [0] TEST: [1]
TRAIN: [0 1] TEST: [2]

您可以打印最新折叠的 X_train 和 y_train 以查看发生了什么 -

print('For - TRAIN: [0 1] TEST: [2]')
print(" ")
print("X_train:")
print(X_train)
print(" ")
print("X_test:")
print(X_test)
print(" ")
print("y_train:")
print(y_train)
print(" ")
print("y_test:")
print(y_test)
print("X_train:")
print(X_train)
print(" ")
print("X_test:")
print(X_test)
print(" ")
print("y_train:")
print(y_train)
print(" ")
print("y_test:")
print(y_test)

For - TRAIN: [0 1] TEST: [2]

X_train:
[['1' 'CAN' '2']
 ['1' 'USA' '5']
 ['2' 'CAN' '2']
 ['2' 'USA' '5']]
 
X_test:
[['3' 'CAN' '4']
 ['3' 'USA' '6']]
 
y_train:
[['2']
 ['10']
 ['3']
 ['12']]
 
y_test:
[['5']
 ['13']]

因此，现在您可以按时间拆分数据帧，并将其扩展回训练所需的形状。