我有一些纵向/面板数据，格式如下（数据录入代码在问题下方）。X和y的观测值按时间和国家索引（例如，第1时间点的美国，第2时间点的美国，第1时间点的加拿大）。
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我尝试使用sklearn来预测y。为了重现示例，我们可以使用线性回归。
为了进行交叉验证，我不能使用test_train_split，因为这样可能会将time = 3的数据放入X_train，而time = 2的数据放入y_test。这将毫无帮助，因为在time = 2时，当我们试图预测y时，我们实际上还没有time = 3的数据来训练。
我试图使用TimeSeriesSplit来实现交叉验证，如下图所示：
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]这几乎接近我需要的，但还不完全是：
TRAIN: [0 1] TEST: [2 3]
TRAIN: [1 2 3] TEST: [4 5]- 我现在如何使用
TimeSeriesSplit的索引来交叉验证模型？
我认为一个复杂之处可能是我的数据并不是严格的时间序列：它不仅按time索引，还按country索引，因此数据具有纵向/面板性质。
我期望的输出是：
- 一系列测试和训练索引，允许我执行“向前走”交叉验证
例如
TRAIN: [1] TEST: [2]
TRAIN: [1 2] TEST: [3]-
基于
time值分割的X_train、x_test、y_test、y_train，或者明确我是否需要这样做。 -
使用“向前走”交叉验证方法交叉验证的任何模型（例如线性回归）的准确性得分。
编辑：感谢@sabacherli回答了我的问题的第一部分，并修复了出现的错误。
数据录入代码
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回答：
TimeSeriesSplit假设你的数据集按时间索引，这意味着每行属于不同的时间步。那么为什么不unstack数据，使你只有时间作为索引，然后再分割。分割后，你可以stack数据形状，以获取用于训练的基础表格。
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，由于每行按时间索引，你可以轻松地将这些数据分割成组，然后在分割后再次堆叠以获取你的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]你可以打印最新折叠的X_train和y_train来查看发生了什么 –
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']]所以现在你可以按时间分割数据框，并将其扩展回你需要的用于训练的形状。
