如何按年份创建时间序列数据的训练/测试拆分？

Question

我想交叉验证我的时间序列数据并按时间戳年份拆分。

这是熊猫数据框中的以下数据：

mock_data

timestamp             counts
'2015-01-01 03:45:14' 4
     .
     .
     .
'2016-01-01 13:02:14' 12
     .
     .
     .
'2017-01-01 09:56:54' 6
     .
     .
     .
'2018-01-01 13:02:14' 8
     .
     .
     .
'2019-01-01 11:39:40' 24
     .
     .
     .
'2020-01-01 04:02:03' 30

mock_data.dtypes
timestamp object
counts    int64

查看TimeSeriesSplit()scikit-learn的功能，好像不能n_split按年份指定部分。是否有另一种方法可以创建连续的训练集，从而导致以下训练-测试拆分？

tscv = newTimeSeriesSplit(n_splits=5, by='year')
>>> print(tscv)  
newTimeSeriesSplit(max_train_size=None, n_splits=5, by='year')
>>> for train_index, test_index in tscv.split(mock_data):
...    print("TRAIN:", train_index, "TEST:", test_index)
...    X_train, X_test = X[train_index], X[test_index]
...    y_train, y_test = y[train_index], y[test_index]
TRAIN: [2015] TEST: [2016]
TRAIN: [2015 2016] TEST: [2017]
TRAIN: [2015 2016 2017] TEST: [2018]
TRAIN: [2015 2016 2017 2018] TEST: [2019]
TRAIN: [2015 2016 2017 2018 2019] TEST: [2020]

感谢观看！

Answer 1

更新回复

每年具有任意点数的数据的通用方法。

首先，根据示例，一些数据具有几年的数据，每个数据的点数不同。这与原始答案的方法相似。

import numpy as np
import pandas as pd

ts_2015 = pd.date_range('2015-01-01', '2015-12-31', periods=4).to_series()
ts_2016 = pd.date_range('2016-01-01', '2016-12-31', periods=12).to_series()
ts_2017 = pd.date_range('2017-01-01', '2017-12-31', periods=6).to_series()
ts_2018 = pd.date_range('2018-01-01', '2018-12-31', periods=8).to_series()
ts_2019 = pd.date_range('2019-01-01', '2019-12-31', periods=24).to_series()
ts_2020 = pd.date_range('2020-01-01', '2020-12-31', periods=30).to_series()
ts_all = pd.concat([ts_2015, ts_2016, ts_2017, ts_2018, ts_2019, ts_2020])

df = pd.DataFrame({'X': np.random.randint(0, 100, size=ts_all.shape), 
                   'Y': np.random.randint(100, 200, size=ts_all.shape)},
                 index=ts_all)
df['year'] = df.index.year
df = df.reset_index()

现在我们创建一个要迭代的唯一年份列表和一个 dict 来存储各种拆分数据帧。

year_list = df['year'].unique().tolist()
splits = {'train': [], 'test': []}

for idx, yr in enumerate(year_list[:-1]):
    train_yr = year_list[:idx+1]
    test_yr = [year_list[idx+1]]
    print('TRAIN: ', train_yr, 'TEST: ',test_yr)
    
    splits['train'].append(df.loc[df.year.isin(train_yr), :])
    splits['test'].append(df.loc[df.year.isin(test_yr), :])

结果：

TRAIN:  [2015] TEST:  [2016]
TRAIN:  [2015, 2016] TEST:  [2017]
TRAIN:  [2015, 2016, 2017] TEST:  [2018]
TRAIN:  [2015, 2016, 2017, 2018] TEST:  [2019]
TRAIN:  [2015, 2016, 2017, 2018, 2019] TEST:  [2020]

拆分的数据帧将类似于以下内容：

>>> splits['train'][0]

                index   X    Y  year
0 2015-01-01 00:00:00  20  127  2015
1 2015-05-02 08:00:00  25  197  2015
2 2015-08-31 16:00:00  61  185  2015
3 2015-12-31 00:00:00  75  144  2015

原始回复

有人向我指出这种方法行不通，因为它假设每年包含相同数量的记录。

您的意图有点不清楚，但我相信您想要做的是将带有时间戳索引的数据帧传递到该类的新版本中，该版本将根据您的数据中的年数产生。该班为您提供了灵活性，要做到这一点，但你首先需要从您的时间戳指数提取的一年。结果看起来不像你提出的那样，但结果是，我相信，你想要的。TimeSeriesSplitn_split = n_years - 1TimeSeriesSplit

首先是一些虚拟数据：

import numpy as np
import pandas as pd
from sklearn.model_selection import TimeSeriesSplit
    
ts_index = pd.date_range('2015-01-01','2020-12-31',freq='M')
df = pd.DataFrame({'X': np.random.randint(0, 100, size=ts_index.shape), 
                   'Y': np.random.randint(100, 200, size=ts_index.shape)},
                 index=ts_index)

现在一年的TimeSeriesSplit工作。因为我们必须按行号索引到这个东西并且pd.ix被弃用，我将索引从时间戳重置为数字：

df['year'] = df.index.year
df = df.reset_index()

然后是TimeSeriesSplit具有正确分割数 ( n_years - 1)的实例：

tscv = TimeSeriesSplit(n_splits=len(df['year'].unique()) - 1)

现在我们可以生成索引。不打印索引，打印对应的年份列，只打印唯一的年份：

for train_idx, test_idx in tscv.split(df['year']):
    print('TRAIN: ', df.loc[df.index.isin(train_idx), 'year'].unique(), 
          'TEST: ', df.loc[df.index.isin(test_idx), 'year'].unique())

TRAIN:  [2015] TEST:  [2016]
TRAIN:  [2015 2016] TEST:  [2017]
TRAIN:  [2015 2016 2017] TEST:  [2018]
TRAIN:  [2015 2016 2017 2018] TEST:  [2019]
TRAIN:  [2015 2016 2017 2018 2019] TEST:  [2020]

您当然会以类似的方式访问您的训练/测试集。如果您真的想很好地解决这个问题，您可以扩展TimeSeriesSplit该类并自定义初始化或添加一些新方法。