Python时间序列LSTM预测系列教程(7)-多变量
来源:互联网 发布:守望先锋个人数据排名 编辑:程序博客网 时间:2024/05/21 22:49
多变量LSTM预测模型(1)
教程原文链接
多变量LSTM预测模型(1)
教程原文链接
空气污染预测案例
数据格式
- No: 行标
- year
- month
- day
- hour
- pm2.5: PM2.5 浓度
- DEWP: 零点温度
- TEMP: 温度
- PRES: 压力
- cbwd: 结合风向
- Iws: 累积风速
- Is: 累积雪量
- Ir: 累积雨量
数据准备
1、删除“No”列,因为没用
2、删除最开始的24小时数据,因为PM值全是NA
3、将之后的数据中出现的NA全部替换成0
预处理
# coding=utf-8 from pandas import read_csvfrom pandas import datetime def parser(x): return datetime.strptime(x, '%Y %m %d %H') dataset = read_csv('data_set/air_pollution.csv', parse_dates=[['year', 'month', 'day', 'hour']], index_col=0, date_parser=parser)dataset.drop('No', axis=1, inplace=True)#axis=1,删除列;inplace=True,直接在原DataFrame上执行删除 #手动设置每一列的labeldataset.columns = ['pollution', 'dew', 'temp', 'press', 'wnd_dir', 'wnd_spd', 'snow', 'rain']dataset.index.name = 'date'#将NA替换为0dataset['pollution'].fillna(0, inplace=True)#删除最开始的24条数据dataset = dataset[24:]print dataset.head() #保存处理后数据dataset.to_csv('data_set/air_pollution_new.csv')
# coding=utf-8 #输出数据曲线 #------------ from pandas import read_csv from matplotlib import pyplot dataset = read_csv('data_set/air_pollution_new.csv', header=0, index_col=0)values = dataset.values #需要输出的列 groups = [i for i in range(8)] groups.remove(4)#删除值4,因为是字符串 i=1#输出列曲线图pyplot.figure()for group in groups: pyplot.subplot(len(groups), 1, i)#创建len(gourps)行,1列的子图,表示在第i个子图画图 pyplot.plot(values[:,group]) pyplot.title(dataset.columns[group], y=0.5, loc='right') i+=1 pyplot.show()
阅读全文
0 0
- Python时间序列LSTM预测系列教程(7)-多变量
- Python时间序列LSTM预测系列教程(8)-多变量
- Python时间序列LSTM预测系列教程(9)-多变量
- 基于Keras的LSTM多变量时间序列预测
- 教你搭建多变量时间序列预测模型LSTM(附代码、数据集)
- Python时间序列LSTM预测系列教程(10)-多步预测
- Python时间序列LSTM预测系列教程(11)-多步预测
- Python时间序列LSTM预测系列教程(1)-单变量
- Python时间序列LSTM预测系列教程(2)-单变量
- Python时间序列LSTM预测系列教程(3)-单变量
- Python时间序列LSTM预测系列教程(4)-单变量
- Python时间序列LSTM预测系列教程(5)-单变量
- Python时间序列LSTM预测系列教程(6)-单变量
- 代码干货 | 基于Keras的LSTM多变量时间序列预测
- LSTM预测时间序列
- LSTM预测时间序列
- LSTM 时间序列预测 matlab
- Pytorch LSTM 时间序列预测
- 数据科学常用问题集锦及解答
- AutoCompleteTextView
- 关于redis 锁(分布式锁)的问题
- php中有趣的编程
- Spark连接需Kerberos认证的HBase
- Python时间序列LSTM预测系列教程(7)-多变量
- java 静态代理模式学习(1)
- 表增加范围分区
- Hbase Table already exists:
- 安装node express时全局安装报错没有find express modules
- 更加快速正确的使用百度
- 接口和抽象类有什么区别
- Opencv Sift和Surf特征实现图像无缝拼接生成全景图像
- virtualbox不能安装64位系统