Switch-Achse von Pandas Datenrahmen

Question

Wenn wir 100 Beobachtungen im Trainingsdatensatz verwenden, um das Modell anzupassen, dann würde der Index des nächsten Zeitschritts für eine Vorhersage als Vorhersagefunktion als start = 101, end = 101 angegeben werden . Dies würde ein Array mit einem Element zurückgeben, das die Vorhersage enthält.

Wir würden auch bevorzugen, dass die prognostizierten Werte in der Originalskala sind, falls wir eine Differenzierung durchführen (d> 0 bei der Konfiguration des Modells). Dies kann angegeben werden, indem das Argument typ auf den Wert 'levels' gesetzt wird: typ = 'levels'.

Alternativ können Sie alle diese Spezifikationen vermeiden, indem Sie die Funktion prognose() verwenden, die eine einstufige Prognose unter Verwendung des Modells durchführt.

Wir können den Trainingsdatensatz in Zug- und Testsätze aufteilen, den Zugsatz verwenden, um das Modell anzupassen, und eine Vorhersage für jedes Element auf dem Testsatz generieren.

Answer 1

Ich glaube, Sie Spalte auswählen müssen, Transponierung von T mit rename_axis:

df = df[['NA_Sales']].T.rename_axis(None, axis=1) 
print (df) 
      Action Adventure Fighting Misc Platform Puzzle Racing \ 
NA_Sales 871.96  105.46 221.99 410.02 446.26 123.78 359.09 

      Role-Playing Shooter Simulation Sports Strategy 
NA_Sales  325.89 575.16  183.31 678.78  68.59 

Wenn alle Spalten benötigen transponieren:

df = df.T.rename_axis(None, axis=1) 
print (df) 
       Action Adventure Fighting Misc Platform Puzzle Racing \ 
NA_Sales  871.96  105.46 221.99 410.02 446.26 123.78 359.09 
EU_Sales  518.64  63.74 100.17 215.89 200.76 50.78 237.25 
JP_Sales  154.15  51.10  86.71 106.95 130.66 57.31 56.68 
Other_Sales 185.55  16.70  36.22 75.29  51.28 12.55 77.08 
Global_Sales 1731.26  237.23 445.05 808.79 829.30 244.95 730.40 

       Role-Playing Shooter Simulation Sports Strategy 
NA_Sales   325.89 575.16  183.31 678.78  68.59 
EU_Sales   186.77 305.57  113.29 369.49  45.02 
JP_Sales   348.64 37.67  63.40 134.59  49.41 
Other_Sales   59.17 100.27  31.52 133.05  11.32 
Global_Sales  920.57 1019.15  391.81 1316.33 174.62