本文是对:
https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/
https://blog.csdn.net/iyangdi/article/details/77879232
两篇博文的学习笔记,两个博主笔风都很浪,有些细节一笔带过,本人以谦逊的态度进行了学习和整理,笔记内容都在代码的注释中。有不清楚的可以去原博主文中查看。
数据集下载:https://raw.githubusercontent.com/jbrownlee/Datasets/master/pollution.csv
后期我会补上我的github
本节主要进行了几种不同方式的数据的处理,有前面单变量文章的学习基础,对这几种数据处理方式就会比较了解,进行了数据的缩放(归一化),转换成有监督形的数据
# 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
# 转换成有监督数据
def series_to_supervised(data, n_in=1, n_out=1, dropnan=True): # n_in,n_out相当于lag
n_vars = 1 if type(data) is list else data.shape[1] # 变量个数
df = DataFrame(data)
print('待转换数据')
print(df.head())
cols, names = list(), list()
# 输入序列(t-n. ... , t-1)
for i in range(n_in, 0, -1):
cols.append(df.shift(i))
print('shift数据')
print(cols[0][0:5])
names += [('var%d(t-%d)' % (j + 1, i)) for j in range(n_vars)]
print('names数据')
print(names[0:5])
# 预测序列(t, t+1, ... , t+n)
for i in range(0, n_out):
cols.append(df.shift(-i))
if i == 0: # t时刻
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
# 将空值NaN行删除
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('原始数据')
print(values[0:5])
# 由于4列的风向是标签,编码成整数
encoder = LabelEncoder() # 简单来说 LabelEncoder 是对不连续的数字或者文本进行编号
values[:, 4] = encoder.fit_transform(values[:, 4])
print('标签编码')
print(values[0:5])
# 使所有数据是float类型
values = values.astype('float32')
# 数据归一化
scaler = MinMaxScaler(feature_range=(0, 1))
scaled = scaler.fit_transform(values)
print('缩放')
print(scaled[0:5])
# 变成有监督
reframed = series_to_supervised(scaled, 1, 1)
print('有监督')
print(reframed[0:5])
# 删除不预测的列
reframed.drop(reframed.columns[9:16], axis=1, inplace=True)
print('删除不预测的列')
print(reframed.head())