Python 使用sklearn线性回归拟合时间序列+；策划

get_DP（）输出了以下时间序列：

注意：1900-2015年间每个月都有一个DP值，我只是将其排除在外以避免混乱

我想在这个数据框架上使用一个简单的回归来计算这个金融变量的alpha和beta（截距和系数）。我有以下代码打算这样做：

reg = linear_model.LinearRegression()
df = get_DP()
df=df.reset_index()
reg.fit(df['date'].values.reshape((1389,1)), df['DP'].values)
print("beta: {}".format(reg.coef_))
print("alpha: {}".format(reg.intercept_))
plt.scatter(df['date'].values.reshape((1389,1)), df['DP'].values,  color='black')
plt.plot(df['date'].values.reshape((1389,1)), df['DP'].values, color='blue', linewidth=3)

然而，我认为对x轴数据（日期）的重塑会弄乱整个回归，因为曲线图是这样的：

我犯错误了吗？由于pandas用0.20删除了OLS函数，我不完全确定使用数据帧进行回归的最佳工具是什么。

试试这个

reg=linear\u model.LinearRegression（）
df=get_DP（）
df=df.reset_index（）
调整拟合（df.date.values.reformate（-1,1），df.DP.values.reformate（-1,1））
打印（“beta:{}”.format（reg.coefè））
打印（“alpha:{}”.format（reg.intercept)）
plt.散射（df.date.dt.date，df.DP.values，color='black'）
plt.绘图（df.date.dt.date，df.DP.values，color='blue'，线宽=3）

请参见试试这个

reg=linear\u model.LinearRegression（）
df=get_DP（）
df=df.reset_index（）
调整拟合（df.date.values.reformate（-1,1），df.DP.values.reformate（-1,1））
打印（“beta:{}”.format（reg.coefè））
打印（“alpha:{}”.format（reg.intercept)）
plt.散射（df.date.dt.date，df.DP.values，color='black'）
plt.绘图（df.date.dt.date，df.DP.values，color='blue'，线宽=3）

---

看

在我看来，这不是回归的问题，而是情节的维度问题。如果重塑x轴的形状，点可能会显得不那么垂直；）我不完全确定，我在这篇文章中排除了很多数据来消除混乱，但从1900年到2015年，每个月底都有一个DP值。在整个x轴上难道不应该有一个点吗？在我看来，这不是回归的问题，而是绘图的维度问题。如果重塑x轴的形状，点可能会显得不那么垂直；）我不完全确定，我在这篇文章中排除了很多数据来消除混乱，但从1900年到2015年，每个月底都有一个DP值。在整个x轴上不应该有一个点吗？所以重塑才是问题所在，但我不确定这意味着什么或改变了什么。对于这些数据帧，这些值的意义是什么？但主要问题是

date

plot不能与

datetime64[ns]

一起使用。或者试试看，这很有帮助。你的意思是

重塑（-1，1）

？它只是将形状设置为向量（列）而不是行。”“值”是1D np.array，但

sklearn

需要矩阵。因此，问题在于重塑，但我不确定它的含义或更改。对于这些数据帧，这些值的意义是什么？但主要问题是

date

plot不能与

datetime64[ns]

一起使用。或者试试看，这很有帮助。你的意思是

重塑（-1，1）

？它只是将形状设置为向量（列）而不是行。”“值”是1D np.array，但

sklearn

需要矩阵。

reg = linear_model.LinearRegression()
df = get_DP()
df=df.reset_index()
reg.fit(df['date'].values.reshape((1389,1)), df['DP'].values)
print("beta: {}".format(reg.coef_))
print("alpha: {}".format(reg.intercept_))
plt.scatter(df['date'].values.reshape((1389,1)), df['DP'].values,  color='black')
plt.plot(df['date'].values.reshape((1389,1)), df['DP'].values, color='blue', linewidth=3)