科学知识工具中纵向/面板数据的交叉验证-学习

Question

我有一些纵向/面板数据，其形式如下(数据输入代码在问题下面)。X和y的观测是按时间和国家编制索引的(例如，美国在时间1，美国在时间2，可以在时间1)。

    time x  y
USA 1    5  10
USA 2    5  12
USA 3    6  13
CAN 1    2  2
CAN 2    2  3
CAN 3    4  5

我正在尝试使用sklearn来预测y。对于一个可重复的例子，我们可以使用，比如说，线性回归。

为了执行简历，我不能使用test_train_split，因为这样的拆分可能会将来自time = 3的数据放入X_train中，而将来自time = 2的数据放入y_test中。这将是没有帮助的，因为在time = 2，当我们试图预测y时，我们还没有真正的time = 3数据来进行培训。

我试图使用TimeSeriesSplit来实现简历，如下图所示：

​

(资料来源：https://stats.stackexchange.com/questions/14099/using-k-fold-cross-validation-for-time-series-model-selection)

y = df.y
X = df.drop(['y'], 1)
print(y)
print(X)

from sklearn.model_selection import TimeSeriesSplit

X = X.to_numpy()

from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits = 2, max_train_size=3)
print(tscv)
for train_index, test_index in tscv.split(X):
    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]

这与我所需要的很接近，但不完全是：

TRAIN: [0 1] TEST: [2 3]
TRAIN: [1 2 3] TEST: [4 5]

• 现在如何使用TimeSeriesSplit索引交叉验证模型？

我认为一个复杂的问题可能是我的数据不是严格的时间序列:它不仅是由time索引的，而且也是由country索引的，因此数据的纵向/面板性质。

我想要的输出是：

1. 一系列测试和训练指标，使我能够“向前走”CV

例如

TRAIN: [1] TEST: [2]
TRAIN: [1 2] TEST: [3]

1. a X_train，x_test，y_test，y_train，它们是根据time的值使用上面的索引分割的，或者是关于是否需要这样做的清晰性。

1. 任何型号的精度分数(例如。线性回归)交叉验证使用“向前”的CV方法。

编辑:谢谢@sabacherli回答了我问题的第一部分，并修复了正在抛出的错误。

数据输入代码

import numpy as np
import pandas as pd

data = np.array([['country','time','x','y'],
                ['USA',1, 5, 10],
                ['USA',2, 5, 12],
                ['USA',3,6, 13],
                ['CAN',1,2, 2],
                ['CAN',2,2, 3],
                ['CAN',3,4, 5]],                
               )
                
df = pd.DataFrame(data=data[1:,1:],
                  index=data[1:,0],
                  columns=data[0,1:])

df

Answer 1

TimeSeriesSplit假定您的数据集是按时间索引的，这意味着每一行都属于不同的时间步骤。那么，为什么不对数据进行unstack，这样您就只有时间作为索引，然后再拆分。拆分后，您可以再次stack数据形状，以获取基础表以进行培训。

data = np.array([['country','time','x','y'],
                ['USA',1, 5, 10],
                ['USA',2, 5, 12],
                ['USA',3,6, 13],
                ['CAN',1,2, 2],
                ['CAN',2,2, 3],
                ['CAN',3,4, 5]],                
               )

df = pd.DataFrame(data=data[1:,1:],
                  index=data[1:,0],
                  columns=data[0,1:])

df1 = df.reset_index().set_index(['time','index']).unstack(-1)
print(df1)

        x       y    
index CAN USA CAN USA
time                 
1       2   5   2  10
2       2   5   3  12
3       4   6   5  13

现在，由于每一行都是按时间索引的，您可以很容易地将这些数据分成组，然后在拆分后，再次堆栈以获得X_train X_test等.

from sklearn.model_selection import TimeSeriesSplit
tscv = TimeSeriesSplit(n_splits = 2, max_train_size=3)

X_cols = ['time', 'index', 'x']
y_cols = ['y']

for train_index, test_index in tscv.split(df1):
    print("TRAIN:", train_index, "TEST:", test_index)
    X_train, X_test = df1.iloc[train_index].stack(-1).reset_index()[X_cols].to_numpy(), df1.iloc[test_index].stack(-1).reset_index()[X_cols].to_numpy()
    y_train, y_test = df1.iloc[train_index].stack(-1).reset_index()[y_cols].to_numpy(), df1.iloc[test_index].stack(-1).reset_index()[y_cols].to_numpy()

TRAIN: [0] TEST: [1]
TRAIN: [0 1] TEST: [2]

你可以打印最新的折叠的X_train和y_train来看看发生了什么-

print('For - TRAIN: [0 1] TEST: [2]')
print(" ")
print("X_train:")
print(X_train)
print(" ")
print("X_test:")
print(X_test)
print(" ")
print("y_train:")
print(y_train)
print(" ")
print("y_test:")
print(y_test)
print("X_train:")
print(X_train)
print(" ")
print("X_test:")
print(X_test)
print(" ")
print("y_train:")
print(y_train)
print(" ")
print("y_test:")
print(y_test)

For - TRAIN: [0 1] TEST: [2]

X_train:
[['1' 'CAN' '2']
 ['1' 'USA' '5']
 ['2' 'CAN' '2']
 ['2' 'USA' '5']]
 
X_test:
[['3' 'CAN' '4']
 ['3' 'USA' '6']]
 
y_train:
[['2']
 ['10']
 ['3']
 ['12']]
 
y_test:
[['5']
 ['13']]

因此，现在您可以按时间拆分数据，并将其扩展到训练所需的形状。