我想传递我的预测模型值,这些值将根据条件从Pandas DataFrame中提取,模型的结果将放在Pandas Data Frame中。
数据帧
+------------+--------------+------------+--------------+
| Date | Actual Value | Prediction | Model Values |
+------------+--------------+------------+--------------+
| 02/01/2021 | 0.02 | | |
| 03/01/2021 | 0.06 | | |
| 04/01/2021 | 0.02 | | |
| 05/01/2021 | 0.04 | | |
| 06/01/2021 | 0.04 | | |
| 07/01/2021 | 0.08 | | |
| 08/01/2021 | 0.06 | | |
| 09/01/2021 | 0.02 | 0.03 | 0.03 |
| 10/01/2021 | 0.20 | | |
| 11/01/2021 | 0.02 | | |
| 12/01/2021 | 0.02 | | |
| 13/01/2021 | 0.09 | 0.06 | 0.06 |
| 14/01/2021 | 0.06 | | |
| 15/01/2021 | 0.04 | | |
| 16/01/2021 | 0.06 | | |
| 17/01/2021 | 0.03 | 0.04 | 0.04 |
| 18/01/2021 | 0.03 | | |
| 19/01/2021 | 0.06 | | |
| 20/01/2021 | 0.06 | | |
+------------+--------------+------------+--------------+
Actual Value
是特定日期的实际值。Prediction
是该日期的预测值。(需要填充(Model Values
需要传递给模型以获得结果的值。(棘手的部分(
该模型获取过去7天的值,并给出第二天的输出。因此,能够进行预测的最小日期是9th Jan
。为了对9th Jan
进行预测,df['Actual Value'].iloc[:7,]
将被传递给将输出numpy(1*1(数组的模型。然后将该值放置在列Prediction
中。(即0.03(
我被卡住的部分
我想使用9th Jan
上的预测值和过去的6个值来对10th Jan
进行预测。即df['Actual Value'].iloc[1:7,:]
+df['Prediction'].iloc[7,:]
。
我想访问这些值并将其传递给模型,模型将给出一个结果numpy(1*1(数组,该数组需要放置在Date
10th Jan
的列Prediction
中。
既然我们有了10th Jan
的值,我们就可以基于类似的逻辑使用df['Actual Value'].iloc[2:7,:]
+df['Prediction'].iloc[7:9,:]
来预测11th Jan
。将这些值传递给模型并得到11th Jan
的结果。
预测CCD_ 20应遵循类似的过程。
但对于13th Jan
,我们将在最后7天使用Actual Value
来获得Prediction
。这部分已经完成。在第9天、第13天和第17天,每4天后总会有一个值。这样做的代码如下:
look_back = 7
look_forward = 1
n_days_pred = 4
pred = 0
predictions = []
while pred <= X_test.shape[0]:
predictions.append(model.predict(X_test[pred].reshape(1, look_back, look_forward)).flatten().tolist())
pred = pred + n_days_pred
predictions_flat = [item for sublist in predictions for item in sublist]
start_date = test_df.Date.min() + dt.timedelta(look_back)
predictions_df = pd.DataFrame(index=pd.date_range(start=start_date, periods=len(predictions), freq='4D'))
predictions_df['Prediction'] = predictions_flat
# Join predictions_df with df
df = analysis_df.set_index('Date').join(predictions_df)
上面代码中的df
与上面显示的相同。
我被困在如何访问列CCD_ 25&Prediction
以获得第10、第11、第12、第14、第15、第16、第18、第19和第20的预测。
首先让我们使用日期为数据帧建立索引,而不是索引。
df = df.set_index('date')
现在计算您每4天的计算
n_days_pred = 4
look_back = 7
for model_start_date in df.index[look_back::n_days_pred]:
for predict_date in pd.date_range(model_start_date, periods=n_days_pred, freq='D'):
model_input = pd.concat([
# All actual values before model_start_date
df.loc[predict_date - pd.Timedelta(days=look_back):model_start_date - pd.Timedelta(days=1), 'actual value'],
# All predictions since model_start_date
df.loc[model_start_date:predict_date - pd.Timedelta(days=1), 'prediction'],
])
df.loc[predict_date, 'prediction'] = model.predict( .... model_input .... )
如果我用单词pred
填充prediction
,用单词val
填充actual value
,然后从该循环打印model_input
,我得到的是:
2021-01-02 val
2021-01-03 val
2021-01-04 val
2021-01-05 val
2021-01-06 val
2021-01-07 val
2021-01-08 val
Freq: D, dtype: object
2021-01-03 val
2021-01-04 val
2021-01-05 val
2021-01-06 val
2021-01-07 val
2021-01-08 val
2021-01-09 pred
Freq: D, dtype: object
2021-01-04 val
2021-01-05 val
2021-01-06 val
2021-01-07 val
2021-01-08 val
2021-01-09 pred
2021-01-10 pred
Freq: D, dtype: object
2021-01-05 val
2021-01-06 val
2021-01-07 val
2021-01-08 val
2021-01-09 pred
2021-01-10 pred
2021-01-11 pred
Freq: D, dtype: object
2021-01-06 val
2021-01-07 val
2021-01-08 val
2021-01-09 val
2021-01-10 val
2021-01-11 val
2021-01-12 val
Freq: D, dtype: object
2021-01-07 val
2021-01-08 val
2021-01-09 val
2021-01-10 val
2021-01-11 val
2021-01-12 val
2021-01-13 pred
Freq: D, dtype: object
2021-01-08 val
2021-01-09 val
2021-01-10 val
2021-01-11 val
2021-01-12 val
2021-01-13 pred
2021-01-14 pred
Freq: D, dtype: object
2021-01-09 val
2021-01-10 val
2021-01-11 val
2021-01-12 val
2021-01-13 pred
2021-01-14 pred
2021-01-15 pred
Freq: D, dtype: object
2021-01-10 val
2021-01-11 val
2021-01-12 val
2021-01-13 val
2021-01-14 val
2021-01-15 val
2021-01-16 val
Freq: D, dtype: object
2021-01-11 val
2021-01-12 val
2021-01-13 val
2021-01-14 val
2021-01-15 val
2021-01-16 val
2021-01-17 pred
Freq: D, dtype: object
2021-01-12 val
2021-01-13 val
2021-01-14 val
2021-01-15 val
2021-01-16 val
2021-01-17 pred
2021-01-18 pred
Freq: D, dtype: object
2021-01-13 val
2021-01-14 val
2021-01-15 val
2021-01-16 val
2021-01-17 pred
2021-01-18 pred
2021-01-19 pred
Freq: D, dtype: object
其中df
为
df = pd.DataFrame({'prediction': 'pred', 'actual value': 'val'}, index=pd.date_range('2021-01-02', '2021-01-20', freq='D'))
正如您所看到的,它在0到3个最新的pred
(索引中有日期(之间,然后在val
之前,并且总是7个条目。我不认为你能做比循环更聪明的事情,因为你在计算下一次迭代的输入。