Python 预测第二天无列车和测试拆分

通常，当我们有一个数据帧时，我们将其分为训练和测试。例如，假设我的数据帧是这样的：

> df.head()

          Date           y  wind temperature           
1   2019-10-03 00:00:00 33   12    15
2   2019-10-03 01:00:00 10   5     6
3   2019-10-03 02:00:00 39   6     5
4   2019-10-03 03:00:00 60   13    4
5   2019-10-03 04:00:00 21   3     7

df_train = df.loc[df.index <= split_date].copy()
df_test = df.loc[df.index > split_date].copy()
X1=df_train[['wind','temperature']]
y1=df_train['y']
X2=df_test[['wind','temperature']]
y2=df_test['y']
from sklearn.model_selection import train_test_split
X_train, y_train =X1, y1
X_test, y_test = X2,y2
model.fit(X_train,y_train)

我想根据风和温度来预测y。然后我们进行如下拆分：

> df.head()

          Date           y  wind temperature           
1   2019-10-03 00:00:00 33   12    15
2   2019-10-03 01:00:00 10   5     6
3   2019-10-03 02:00:00 39   6     5
4   2019-10-03 03:00:00 60   13    4
5   2019-10-03 04:00:00 21   3     7

df_train = df.loc[df.index <= split_date].copy()
df_test = df.loc[df.index > split_date].copy()
X1=df_train[['wind','temperature']]
y1=df_train['y']
X2=df_test[['wind','temperature']]
y2=df_test['y']
from sklearn.model_selection import train_test_split
X_train, y_train =X1, y1
X_test, y_test = X2,y2
model.fit(X_train,y_train)

df\u train=df.loc[df.index拆分日期].copy（）
X1=df_系列[[风'，'温度]]
y1=df_列['y']
X2=df_试验[[风'，'温度]]
y2=df_测试['y']
从sklearn.model\u选择导入列车\u测试\u拆分
X_列，y_列=X1，y1
X_检验，y_检验=X2，y2
模型拟合（X\U系列、y\U系列）

---

然后我们预测我们的测试数据。然而，这在测试数据框中使用了风和温度的特征。如果我想在不知道明天每小时的温度和风的情况下预测（未知）明天的y，那么该方法是否不再有效？（例如，对于LSTM或XGBoost）

训练模型的方式是，无论顺序如何，每一行都被视为一个独立的样本，即观察到的值是较早还是较晚。如果您有理由相信时间顺序与根据风速和温度预测

y

有关，则需要更改模型

---

例如，您可以尝试添加另一列，其中包含一小时前的风速和温度值（将其移动一行），或者，如果您认为

y

可能取决于工作日，请从日期开始计算工作日，并将其添加为输入功能。

谢谢您的回答！我明白你的意思，但由于气温（和风）每天都会发生剧烈变化，我想这些滞后现象在这种情况下不会太好。看看时间序列预测。时间序列的列车测试是在滚动的基础上进行的。对于预测来说，它还意味着拥有历史。