Einfache Vorhersage mit Python lineare Regression

Question

data2 = pd.DataFrame(data1['kwh']) 
data2 
          kwh 
date  
2012-04-12 14:56:50  1.256400 
2012-04-12 15:11:55  1.430750 
2012-04-12 15:27:01  1.369910 
2012-04-12 15:42:06  1.359350 
2012-04-12 15:57:10  1.305680 
2012-04-12 16:12:10  1.287750 
2012-04-12 16:27:14  1.245970 
2012-04-12 16:42:19  1.282280 
2012-04-12 16:57:24  1.365710 
2012-04-12 17:12:28  1.320130 
2012-04-12 17:27:33  1.354890 
2012-04-12 17:42:37  1.343680 
2012-04-12 17:57:41  1.314220 
2012-04-12 18:12:44  1.311970 
2012-04-12 18:27:46  1.338980 
2012-04-12 18:42:51  1.357370 
2012-04-12 18:57:54  1.328700 
2012-04-12 19:12:58  1.308200 
2012-04-12 19:28:01  1.341770 
2012-04-12 19:43:04  1.278350 
2012-04-12 19:58:07  1.253170 
2012-04-12 20:13:10  1.420670 
2012-04-12 20:28:15  1.292740 
2012-04-12 20:43:15  1.322840 
2012-04-12 20:58:18  1.247410 
2012-04-12 21:13:20  0.568352 
2012-04-12 21:28:22  0.317865 
2012-04-12 21:43:24  0.233603 
2012-04-12 21:58:27  0.229524 
2012-04-12 22:13:29  0.236929 
2012-04-12 22:28:34  0.233806 
2012-04-12 22:43:38  0.235618 
2012-04-12 22:58:43  0.229858 
2012-04-12 23:13:43  0.235132 
2012-04-12 23:28:46  0.231863 
2012-04-12 23:43:55  0.237794 
2012-04-12 23:59:00  0.229634 
2012-04-13 00:14:02  0.234484 
2012-04-13 00:29:05  0.234189 
2012-04-13 00:44:09  0.237213 
2012-04-13 00:59:09  0.230483 
2012-04-13 01:14:10  0.234982 
2012-04-13 01:29:11  0.237121 
2012-04-13 01:44:16  0.230910 
2012-04-13 01:59:22  0.238406 
2012-04-13 02:14:21  0.250530 
2012-04-13 02:29:24  0.283575 
2012-04-13 02:44:24  0.302299 
2012-04-13 02:59:25  0.322093 
2012-04-13 03:14:30  0.327600 
2012-04-13 03:29:31  0.324368 
2012-04-13 03:44:31  0.301869 
2012-04-13 03:59:42  0.322019 
2012-04-13 04:14:43  0.325328 
2012-04-13 04:29:43  0.306727 
2012-04-13 04:44:46  0.299012 
2012-04-13 04:59:47  0.303288 
2012-04-13 05:14:48  0.326205 
2012-04-13 05:29:49  0.344230 
2012-04-13 05:44:50  0.353484 
... 

65701 rows × 1 columns 

Ich habe diesen Datenrahmen mit diesem Index und 1 column.I will mit sklearn.I'm einfacher Vorhersage unter Verwendung eines lineare Regression zu tun, sehr verwirrt, und ich weiß nicht, wie zu setzen X und y (ich möchte, dass die x-Werte die Zeit und die y-Werte kwh sind ...) Ich bin neu bei Python, also ist jede Hilfe wertvoll. Danke.

Answer 1

Das erste, was Sie tun müssen, ist Ihre Daten in zwei Arrays, X und Y, aufzuteilen. Jedes Element von X wird ein Datum sein, und das entsprechende Element von y wird das zugehörige kwh sein.

Sobald Sie das haben, sollten Sie sklearn.linear_model.LinearRegression verwenden, um die Regression durchzuführen. Die Dokumentation lautet here.

Wie bei jedem sklearn-Modell gibt es zwei Schritte. Zuerst müssen Sie Ihre Daten anpassen. Stellen Sie dann die Daten, von denen Sie das kwh in einem anderen Array vorhersagen wollen, X_predict, ein und prognostizieren Sie das kwh mithilfe der Predict-Methode.

from sklearn.linear_model import LinearRegression 

X = [] # put your dates in here 
y = [] # put your kwh in here 

model = LinearRegression() 
model.fit(X, y) 

X_predict = [] # put the dates of which you want to predict kwh here 
y_predict = model.predict(X_predict)