PYTHON中的LSTM输入数据

我想使用深度学习来实现使用LSTM的回归，我面临的问题是如何定义输入和输出层。我的数据集有5个特征，它们在1000个时间步长内记录在不同的空间点上。正如我意识到的，我必须将我的数据集重塑为一个3D数据阵列（样本、时间步、特征），但我还不知道如何重塑它。下面的代码是我为实现目标所做的不成功的努力

# Loading libraries
import numpy as np
import pandas as pd
import os
import math
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
from pandas import read_csv
from matplotlib import pyplot
import tensorflow.keras.backend as K
from keras.layers import Dense, Activation
from keras.layers.recurrent import LSTM
from keras import backend as K
from keras.models import Sequential
from sklearn.metrics import mean_squared_error
from keras.layers import InputLayer

加载数据 显示数据 f是我的特征，在每个时间步和x，y中，我都有我的特征值

定位数据和重塑

---

感谢您的所有努力。

如果您添加一些示例数据，将更易于测试。不过，谷歌快速输出这一信息可能会有所帮助：@prp ok。我将用数据样本编辑我的问题，以使其更加清晰。@prp我在问题中添加了更多信息，以便您可以查看。谢谢。。1000是重塑中的第二项，最后一项是样本数。所以通过消去，第一项应该是1？另外，您的示例数据非常奇怪，因为它似乎与下面的代码片段不匹配。

df = pd.read_excel("concate35w270.xlsx")
df = df.astype('float32')

T|x|y|f1|f2|f3|f4|f5
1|0|0|15.0|0.10|0.010|+0.02|0.1|
1|1|1|14.1|0.11|0.012|-0.02|0.2|
1|2|2|14.9|0.12|0.011|+0.01|0.2|
2|0|0|15.0|0.11|0.012|+0.02|0.1|
2|1|1|15.1|0.12|0.013|-0.03|0.1|
2|2|2|14.9|0.13|0.014|+0.04|0.3|
...

y = df.iloc[:,5]
X1 = df.iloc[:,0]
X2 = df.iloc[:,1]
X3 = df.iloc[:,2]
X4 = df.iloc[:,3]
X5 = df.iloc[:,4]
X = np.column_stack((X1,X2,X3,X4,X5))
x = np.reshape(1000,1,5)
y = np.reshape(1000,1,1)