我有我的数据作为DataFrame：
dOpen dHigh dLow dClose dVolume day_of_week_0 day_of_week_1 ... month_6 month_7 month_8 month_9 month_10 month_11 month_12
639 -0.002498 -0.000278 -0.005576 -0.002228 -0.002229 0 0 ... 0 0 1 0 0 0 0
640 -0.004174 -0.005275 -0.005607 -0.005583 -0.005584 0 0 ... 0 0 1 0 0 0 0
641 -0.002235 0.003070 0.004511 0.008984 0.008984 1 0 ... 0 0 1 0 0 0 0
642 0.006161 -0.000278 -0.000281 -0.001948 -0.001948 0 1 ... 0 0 1 0 0 0 0
643 -0.002505 0.001113 0.005053 0.002788 0.002788 0 0 ... 0 0 1 0 0 0 0
644 0.004185 0.000556 -0.000559 -0.001668 -0.001668 0 0 ... 0 0 1 0 0 0 0
645 0.002779 0.003056 0.003913 0.001114 0.001114 0 0 ... 0 0 1 0 0 0 0
646 0.000277 0.004155 -0.002227 -0.002782 -0.002782 1 0 ... 0 0 1 0 0 0 0
647 -0.005540 -0.007448 -0.003348 0.001953 0.001953 0 1 ... 0 0 1 0 0 0 0
648 0.001393 -0.000278 0.001960 -0.003619 -0.003619 0 0 ... 0 0 1 0 0 0 0
我的输入将是 10 行(已经是独热编码(。我想创建一个 n 维自动编码表示。因此，据我了解，我的输入和输出应该是相同的。
我已经看过一些构建它的例子，但仍然停留在第一步。我的训练数据只是很多样本来制作矩阵吗？然后呢？
对于这个问题的一般性质，我深表歉意。任何问题，只要问，我会在评论中澄清。
谢谢。
从这个问题中还不太清楚你想实现什么。根据您编写的内容，您想创建一个具有相同输入和输出的自动编码器，当我看到您的数据集时，这对我来说不太有意义。在常见情况下，自动编码器的编码器部分创建一个模型，该模型基于大量输入特征产生小的输出向量，并且解码器正在执行基于全套输出和输入特征的合理输入特征重建的逆运算。使用自动编码器的结果是增强的(在某些意义上，例如去除噪声等(输入。
您可以在此处找到一些示例，第三个用例为序列数据提供代码，学习随机数生成模型。下面是另一个示例，它看起来更接近您的应用程序。构建顺序模型对信息丢失的大型数据集进行编码。如果这是您要实现的目标，您将在那里找到代码。
如果目标是序列预测(如未来股票价格(，这个和那个示例似乎更合适，因为您可能只想预测数据序列中的少数值(例如dHigh和dLow(，并且您不需要预测day_of_week_n或month_n(即使自动编码器模型的这一部分可能会训练得更可靠，因为模式非常清晰(。此方法将允许您预测单个后续输出特征值(明天的dHigh和dLow(
如果要预测未来输出序列，可以使用一系列输出，而不是模型中的单个输出序列。
一般来说，输入和输出的结构完全取决于您