Python 预测并比较不同月份的数据

我在2021年1月底结束的数据框架上进行线性回归。目标变量是月平均值，因此它将预测2月份

我在单独的数据集中有截至1月底和2月底的信息。我想在1月的数据上训练模型，然后将预测结果与2月底结束的数据帧中的数据进行比较

要执行此操作，是否需要将目标列（从2月数据帧）合并到1月数据帧，并按如下方式运行模型：

january.drop('january_avg_colum', axis=1, inplace=True)
df = pd.merge(january, february[['ID', 'february_avg_colum']], how="inner", on=["ID", "ID"])

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

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = LinearRegression().fit(X_train, y_train)

y_preds = model.predict((X_test))

print('RMSE:', metrics.mean_squared_error(y_test, y_preds, squared=False))

我需要在合并前降低一月份的平均值吗？ 这是正确的方法吗？有没有更简单或更有效的方法？

---

非常感谢任何帮助

如果您已经知道要在1月训练数据并在2月测试，则无需拆分，您已经准备好了训练和测试数据集

如果必须微调模型的参数或测试其他模型，则可以将训练数据拆分为虚拟训练和测试数据集。然后对您的训练数据进行

train\u test\u split

，甚至更好，在没有看到2月份数据的情况下进行多次分割，并在所有这些跑步中找到最佳模型+参数（这非常重要）

这里，

LinearRegression

不带任何参数，因此不需要分割或洗牌任何内容

现在，让我向您展示您的代码的功能，以及如果我们将您想要实现的功能转换为代码，它将是什么样子：

你在这里干什么

删除1月份存在的任何目标值：

janur.drop（'janur\u info\u column'，axis=1，inplace=True）

将2月目标合并到1月功能：

df=pd.merge（一月、二月['ID'、'二月信息]]，
how=“inner”，on=[“ID”，“ID”]）

将此数据集拆分为80%序列/20%测试：

X\u系列，X\u测试，y\u系列，y\u测试=系列测试分割（X，y，测试尺寸=0.2）

拟合并预测：

model=LinearRegression（）.fit（X\U列，y\U列）
y_preds=模型预测（（X_检验））

打印度量

print（'RMSE:'，metrics.mean_squared_error（y_test，y_preds，squared=False））

与您描述的目标相对应的是什么

一月训练的特点和目标：

model=LinearRegression（）.fit（一月.drop（'一月信息柱'，轴=1），一月['一月信息柱'）

预测2月份的特征：

y_preds=model.predict（二月下旬（'二月信息柱'，轴=1））

打印度量

print（'RMSE:'，metrics.mean_squared_error（二月['二月信息栏]，y_preds，squared=False））

所以我不需要分割数据？不，因为您已经决定了要训练哪些数据以及要预测哪些数据。我在回答的开头添加了一些解释。例如，两个数据集都有很多特性。因此，我正在探索特征选择方法。因此，我按照上述步骤探索预测目标（2月份）的最佳功能，对吗？对一月数据集的特征进行训练，然后与二月进行线性回归。也许可以使用train_test_split来提高模型性能？在实践中，该方法返回选定的_特征。我该怎么做？model=LinearRegression（）.fit（一月[过滤特征]，一月[一月信息栏]）；y_preds=model.predict（二月[过滤的_特征]）；calculate_error（二月['二月信息'u column'，y_preds]）我建议您将此作为一个关于线性回归特征选择的新问题来问，我一定会看一看！