Python時間序列LSTM預測系列學習筆記(8)-多變數
阿新 • • 發佈:2018-12-08
本文是對:
https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/
https://blog.csdn.net/iyangdi/article/details/77879232
兩篇博文的學習筆記,兩個博主筆風都很浪,有些細節一筆帶過,本人以謙遜的態度進行了學習和整理,筆記內容都在程式碼的註釋中。有不清楚的可以去原博主文中檢視。
資料集下載:https://raw.githubusercontent.com/jbrownlee/Datasets/master/pollution.csv
後期我會補上我的github
本節主要進行了幾種不同方式的資料的處理,有前面單變數文章的學習基礎,對這幾種資料處理方式就會比較瞭解,進行了資料的縮放(歸一化),轉換成有監督形的資料
# coding=utf-8 from pandas import read_csv from pandas import DataFrame from sklearn.preprocessing import MinMaxScaler from pandas import concat from sklearn.preprocessing import LabelEncoder # 轉換成有監督資料 def series_to_supervised(data, n_in=1, n_out=1, dropnan=True): # n_in,n_out相當於lag n_vars = 1 if type(data) is list else data.shape[1] # 變數個數 df = DataFrame(data) print('待轉換資料') print(df.head()) cols, names = list(), list() # 輸入序列(t-n. ... , t-1) for i in range(n_in, 0, -1): cols.append(df.shift(i)) print('shift資料') print(cols[0][0:5]) names += [('var%d(t-%d)' % (j + 1, i)) for j in range(n_vars)] print('names資料') print(names[0:5]) # 預測序列(t, t+1, ... , t+n) for i in range(0, n_out): cols.append(df.shift(-i)) if i == 0: # t時刻 names += [('var%d(t)' % (j + 1)) for j in range(n_vars)] else: names += [('var%d(t+%d)' % (j + 1, i)) for j in range(n_vars)] # 拼接 agg = concat(cols, axis=1) print('拼接') print(agg[0:5]) agg.columns = names # 將空值NaN行刪除 if dropnan: agg.dropna(inplace=True) return agg dataset = read_csv('data_set/air_pollution_new.csv', header=0, index_col=0) values = dataset.values print('原始資料') print(values[0:5]) # 由於4列的風向是標籤,編碼成整數 encoder = LabelEncoder() # 簡單來說 LabelEncoder 是對不連續的數字或者文字進行編號 values[:, 4] = encoder.fit_transform(values[:, 4]) print('標籤編碼') print(values[0:5]) # 使所有資料是float型別 values = values.astype('float32') # 資料歸一化 scaler = MinMaxScaler(feature_range=(0, 1)) scaled = scaler.fit_transform(values) print('縮放') print(scaled[0:5]) # 變成有監督 reframed = series_to_supervised(scaled, 1, 1) print('有監督') print(reframed[0:5]) # 刪除不預測的列 reframed.drop(reframed.columns[9:16], axis=1, inplace=True) print('刪除不預測的列') print(reframed.head())