我有一个数据框，如下所示。出于简化的目的，我只展示了这些特征，但数据框中还有更多特征。

    CODE    DATE        IND_AVG_MONTH_REC     IND_STD_MONTH_REC 0   15295   2021-01-22  0.375                 0.3827331   15801   2020-12-04  0.125                 0.3093592   23369   2021-01-01  0.750                 0.216506

AVG和STD分别是每个COD每月的平均值和标准差。DATE是用户最后一次活动的时间。我想根据AVG和最后的日期来预测下一个日期。

为此，我进行了线性回归并得到了预测的频率。我对结果很满意，因为预测值与测试集之间的误差很小。（所有值都是整数或浮点数）

# 并未使用数据集中所有特征X = df[['IND_MIN_REC_VAL', 'IND_TOTAL_TERM_CALL_QTY', 'IND_TOTAL_ORIG_CALL', 'IND_VAL_LAST_REC', 'OLD', 'IND_SMS_QTY', 'IND_TOTAL_SMS_QTY', 'IND_MIN_REC_QTY_DAY', 'IND_TOTAL_GPRS_QTY', 'IND_GPRS_QTY', 'IND_AVG_MONTH_GPRS_QTY', 'IND_AVG_MONTH_SMS', 'IND_STD_MONTH_SMS', 'IND_STD_MONTH_GPRS_QTY', 'IND_QTD_LAST_REC', 'COD_TAR', 'COD_CART', 'IND_TERM_CALL_QTY', 'IND_MAX_REC_VAL', 'IND_AVG_TERM_CALL_DUR', 'IND_STD_TERM_CALL_DUR', 'IND_ORIG_CALL_QTY', 'IND_AVG_MONTH_TERM_CALL', 'IND_STD_MONTH_TERM_CALL', 'IND_MAX_REC_QTY_DAY', 'IND_AVG_ORIG_CALL_DUR', 'IND_STD_ORIG_CALL_DUR', 'IND_AVG_MONTH_PRIG_CALL', 'IND_STD_ORIG_CALL', 'IND_AVG_GPRS_DUR', 'IND_STD_GPRS_DUR', 'IND_STD_MONTH_REC_VAL', 'IND_STD_MONTH_REC', 'IND_AVG_MONTH_REC_VAL']]y = df['IND_AVG_MONTH_REC']X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)model = LinearRegression().fit(X_train, y_train)y_preds = model.predict((X_test))

然后计算了误差指标，得到了以下结果，我对这些结果很满意：

MAE: 0.11467427514645877MSE: 0.03279457004316404RMSE: 0.1810927111817702

既然我已经有了预测的频率，如何得到下一个（预测的）日期呢？

有没有办法在Python/Pandas中输入最后的日期和预测的频率来得到下一个日期？

回答：

我认为您遇到了使用线性回归试图解决时间序列问题的困境。

想象一下预测房价。我们可以知道卧室的数量，是否有车库，院子的面积，当前的利率，当前的失业率，目前市场上的房屋数量等。最终我们会得到一个很好的预测。

现在想象一下您想预测6个月后的房价。您仍然知道卧室的数量和是否有车库，但您不知道未来的利率、失业率，或者市场上将会有多少房屋。

您可以使用自己的最佳猜测来估计这些（也许使用最佳/最坏情况的范围，并让使用模型的人决定使用哪一个），或者您可以使用时间序列建模方法，通过学习今天的模式对未来的意义来预测未来6个月。