活动介绍

data.fillna(method='ffill', inplace=True) date_history = pd.DataFrame(data.iloc[:, 0]) data_history = pd.DataFrame(data.iloc[:, 1]) date_history = np.array(date_history) data_history = [x for item in np.array(data_history).tolist() for x in item] 代码优化

时间: 2023-11-28 15:06:41 浏览: 169
可以将以上代码进行优化，如下所示： ```python # 使用ffill方法填充缺失值 data.fillna(method='ffill', inplace=True) # 将data的第一列作为date_history date_history = data.iloc[:, 0].values.reshape(-1, 1) # 将data的第二列作为data_history data_history = data.iloc[:, 1].values.reshape(-1, 1) # 将date_history和data_history合并成一个数组 history = np.concatenate([date_history, data_history], axis=1) ``` 以上代码首先使用`fillna`方法填充缺失值，然后将`data`的第一列作为`date_history`，第二列作为`data_history`，并将它们合并成一个数组`history`。这样可以简化代码，并让代码更易读。
相关问题

data.fillna(method='ffill', inplace=True) date_history,data_history = pd.DataFrame(data.iloc[:, 0]) data_history = pd.DataFrame(data.iloc[:, 1]) date_history = np.array(date_history) data_history = [x for item in np.array(data_history).tolist() for x in item] # 缺失值处理 history_time_list = [] for date in date_history: date_obj = datetime.datetime.strptime(date[0], '%Y/%m/%d %H:%M') #将字符串转为 datetime 对象 history_time_list.append(date_obj) start_time = history_time_list[0] # 起始时间 end_time = history_time_list[-1] # 结束时间 delta = datetime.timedelta(minutes=15) #时间间隔为15分钟 time_new_list = [] current_time = start_time while current_time <= end_time: time_new_list.append(current_time) current_time += delta # 缺失位置记录 code_list = [] for i in range(len(time_new_list)): code_list = code_list history_time_list = history_time_list while (time_new_list[i] - history_time_list[i]) != datetime.timedelta(minutes=0): history_time_list.insert(i, time_new_list[i]) code_list.append(i) for i in code_list: data_history.insert(i, data_history[i - 1]) # 输出补充好之后的数据 data = pd.DataFrame({'date': time_new_list, 'load': data_history}) return data 代码优化

以下是对代码的优化： ```python data.fillna(method='ffill', inplace=True) date_history, data_history = data.iloc[:, 0], data.iloc[:, 1:].values.flatten() date_history = np.array([datetime.datetime.strptime(date, '%Y/%m/%d %H:%M') for date in date_history]) start_time, end_time = date_history[0], date_history[-1] delta = datetime.timedelta(minutes=15) time_new_list = [] current_time = start_time while current_time <= end_time: time_new_list.append(current_time) current_time += delta code_list = [i for i, date in enumerate(date_history) if date not in time_new_list] for i in code_list: data_history = np.insert(data_history, i, data_history[i - 1]) data = pd.DataFrame({'date': time_new_list, 'load': data_history}) return data ``` 代码优化的主要思路是： 1. 将第二列数据展平成一维数组，避免后续操作需要用到的循环。 2. 将日期字符串转换为 datetime 对象。 3. 使用列表推导式生成时间序列。 4. 使用列表推导式生成缺失位置列表。 5. 使用 NumPy 的 `insert()` 方法在数据中插入缺失值。 6. 最后将补充好的数据转换为 DataFrame 返回。 这样可以使代码更加简洁、高效，并且减少不必要的循环。

def data_processing(data): # 日期缺失，补充 data.fillna(method='ffill', inplace=True) date_history = pd.DataFrame(data.iloc[:, 0]) data_history = pd.DataFrame(data.iloc[:, 1]) date_history = np.array(date_history) data_history = [x for item in np.array(data_history).tolist() for x in item] # 缺失值处理 history_time_list = [] for date in date_history: date_obj = datetime.datetime.strptime(date[0], '%Y/%m/%d %H:%M') #将字符串转为 datetime 对象 history_time_list.append(date_obj) start_time = history_time_list[0] # 起始时间 end_time = history_time_list[-1] # 结束时间 delta = datetime.timedelta(minutes=15) #时间间隔为15分钟 time_new_list = [] current_time = start_time while current_time <= end_time: time_new_list.append(current_time) current_time += delta # 缺失位置记录 code_list = [] for i in range(len(time_new_list)): code_list = code_list history_time_list = history_time_list while (time_new_list[i] - history_time_list[i]) != datetime.timedelta(minutes=0): history_time_list.insert(i, time_new_list[i]) code_list.append(i) for i in code_list: data_history.insert(i, data_history[i - 1]) # 输出补充好之后的数据 data = pd.DataFrame({'date': time_new_list, 'load': data_history}) return data 代码 优化

这段代码可以进行以下优化： 1. 将日期转换为 datetime 对象的操作可以放在读取数据时进行，避免在处理数据时重复执行。 2. 用 pandas 的 resample 函数可以方便地实现时间序列的重采样。可以先将日期列设置为索引，然后使用 resample 函数按照指定的时间间隔进行重采样，再使用 ffill 方法填充缺失值。 3. 可以使用 pandas 的 merge 函数将重采样之后的数据与原数据进行合并，这样可以避免使用循环操作。 下面是优化后的代码： ``` import pandas as pd import datetime def data_processing(data): # 将日期转换为 datetime 对象 data['date'] = pd.to_datetime(data['date'], format='%Y/%m/%d %H:%M') data.set_index('date', inplace=True) # 重采样，补全缺失值 data_resampled = data.resample('15T').ffill() # 合并原数据和重采样之后的数据 data_processed = data_resampled.merge(data, how='outer', left_index=True, right_index=True) return data_processed ```
阅读全文

相关推荐

pdf

python dataframe向下向上填充,fillna和ffill的方法

In[14]: time_range = pd.DataFrame(pd.date_range('2010-01-01','2017-12-01',freq='D'), columns=['date']).set_index("date") 接下来，我们将原始DataFrame与时间范围DataFrame合并，这样可以得到每一天的...
pdf

解决pandas.DataFrame.fillna 填充Nan失败的问题

df.fillna(0, inplace=True) print(df) 这样，原始DataFrame df的Nan值就会被替换为0，并且这种改变是持久的。 除了使用inplace=True之外，fillna()还有其他选项。例如，可以使用method参数指定填充策略...
zip

Read data from the Excel spreadsheet.zip_Spreadsheet::Read_excel

array_data = data.values read_excel函数可以处理多种格式的Excel文件，包括XLS、XLSX。它默认使用openpyxl库来读取.xlsx文件，如果需要读取旧版的.xls文件，可能需要安装xlrd库。read_excel函数有...

import os import time import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error, mean_squared_error import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader, TensorDataset from torch.optim.lr_scheduler import ReduceLROnPlateau # 设置随机种子确保结果可复现 torch.manual_seed(42) np.random.seed(42) sns.set_style('whitegrid') # 设备配置 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") print(f"使用设备: {device}") # 1. 数据加载与预处理函数 # -------------------------------------------------- def load_and_preprocess_data(): """加载并预处理所有数据源""" print("开始数据加载与预处理...") start_time = time.time() # 加载EC气象数据 ec_df = pd.read_csv('阿拉山口风电场_EC_data.csv', parse_dates=['生成日期', '预测日期']) ec_df = ec_df[ec_df['场站名'] == '阿拉山口风电场'] # 计算EC风速和风向 ec_df['EC风速(m/s)'] = np.sqrt(ec_df['U风分量(m/s)']**2 + ec_df['V风分量(m/s)']**2) ec_df['EC风向(度)'] = np.degrees(np.arctan2(ec_df['V风分量(m/s)'], ec_df['U风分量(m/s)'])) % 360 # 添加EC数据可用时间（生成时间+12小时） ec_df['可用时间'] = ec_df['生成日期'] + pd.Timedelta(hours=12) # 选择关键特征 ec_features = [ '可用时间', '预测日期', 'EC风速(m/s)', 'EC风向(度)', '位势高度_850hPa(gpm)', '温度_850hPa(K)', '相对湿度_850hPa(%)', '位势高度_500hPa(gpm)', '温度_500hPa(K)' ] ec_df = ec_df[ec_features] # 加载风机数据 turbine_df = pd.read_csv('阿拉山口风电场风机数据.csv', encoding='gbk', parse_dates=[0]) turbine_df.columns = ['timestamp', 'wind_speed', 'active_power'] # 加载远动数据 scada_df = pd.read_csv('阿拉山口风电场远动数据.csv', encoding='gbk', parse_dates=[0]) scada_df.columns = ['timestamp', 'active_power_total'] # 合并风机和远动数据 power_df = pd.merge(turbine_df[['timestamp', 'wind_speed']], scada_df, on='timestamp', how='outer') # 按时间排序并填充缺失值 power_df.sort_values('timestamp', inplace=True) power_df['active_power_total'].ffill(inplace=True) power_df['wind_speed'].ffill(inplace=True) # 创建完整的时间序列索引（15分钟间隔） full_range = pd.date_range( start=power_df['timestamp'].min(), end=power_df['timestamp'].max(), freq='15T' ) power_df = power_df.set_index('timestamp').reindex(full_range).reset_index() power_df.rename(columns={'index': 'timestamp'}, inplace=True) power_df[['wind_speed', 'active_power_total']] = power_df[['wind_speed', 'active_power_total']].ffill() # 合并EC数据到主数据集 ec_data = [] for idx, row in power_df.iterrows(): ts = row['timestamp'] # 获取可用的EC预测（可用时间 <= 当前时间） available_ec = ec_df[ec_df['可用时间'] <= ts] if not available_ec.empty: # 获取最近发布的EC数据 latest_gen = available_ec['可用时间'].max() latest_ec = available_ec[available_ec['可用时间'] == latest_gen] # 找到最接近当前时间点的预测 time_diff = (latest_ec['预测日期'] - ts).abs() closest_idx = time_diff.idxmin() ec_point = latest_ec.loc[closest_idx].copy() ec_point['timestamp'] = ts ec_data.append(ec_point) # 创建EC数据DataFrame并合并 ec_ts_df = pd.DataFrame(ec_data) merged_df = pd.merge(power_df, ec_ts_df, on='timestamp', how='left') # 填充缺失的EC数据 ec_cols = [col for col in ec_ts_df.columns if col not in ['timestamp', '可用时间', '预测日期']] for col in ec_cols: merged_df[col] = merged_df[col].interpolate(method='time') # 添加时间特征 merged_df['hour'] = merged_df['timestamp'].dt.hour merged_df['day_of_week'] = merged_df['timestamp'].dt.dayofweek merged_df['day_of_year'] = merged_df['timestamp'].dt.dayofyear merged_df['month'] = merged_df['timestamp'].dt.month # 计算实际风向（如果有测风塔数据，这里使用EC风向） merged_df['风向(度)'] = merged_df['EC风向(度)'] # 移除包含NaN的行 merged_df.dropna(inplace=True) # 特征选择 feature_cols = [ 'wind_speed', 'active_power_total', 'EC风速(m/s)', '风向(度)', '位势高度_850hPa(gpm)', '温度_850hPa(K)', '相对湿度_850hPa(%)', '位势高度_500hPa(gpm)', '温度_500hPa(K)', 'hour', 'day_of_week', 'day_of_year', 'month' ] target_col = 'active_power_total' print(f"数据处理完成! 耗时: {time.time()-start_time:.2f}秒") print(f"数据集形状: {merged_df.shape}") print(f"特征数量: {len(feature_cols)}") return merged_df[feature_cols], merged_df[target_col], merged_df['timestamp'] # 2. 数据准备类 (PyTorch Dataset) # -------------------------------------------------- class WindPowerDataset(Dataset): """风功率预测数据集类""" def __init__(self, X, y, look_back, forecast_steps): """ :param X: 特征数据 (n_samples, n_features) :param y: 目标数据 (n_samples,) :param look_back: 回溯时间步长 :param forecast_steps: 预测步长 """ self.X = X self.y = y self.look_back = look_back self.forecast_steps = forecast_steps self.n_samples = len(X) - look_back - forecast_steps + 1 def __len__(self): return self.n_samples def __getitem__(self, idx): # 获取历史序列 x_seq = self.X[idx:idx+self.look_back] # 获取未来目标序列 y_seq = self.y[idx+self.look_back:idx+self.look_back+self.forecast_steps] # 转换为PyTorch张量 x_tensor = torch.tensor(x_seq, dtype=torch.float32) y_tensor = torch.tensor(y_seq, dtype=torch.float32) return x_tensor, y_tensor # 3. LSTM模型 (PyTorch实现) # -------------------------------------------------- class WindPowerLSTM(nn.Module): """风功率预测LSTM模型""" def __init__(self, input_size, hidden_size, num_layers, output_steps): """ :param input_size: 输入特征维度 :param hidden_size: LSTM隐藏层大小 :param num_layers: LSTM层数 :param output_steps: 输出步长 """ super(WindPowerLSTM, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers self.output_steps = output_steps # LSTM层 self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=0.2 if num_layers > 1 else 0 ) # 全连接层 self.fc = nn.Sequential( nn.Linear(hidden_size, 128), nn.ReLU(), nn.Dropout(0.3), nn.Linear(128, 64), nn.ReLU(), nn.Dropout(0.2), nn.Linear(64, output_steps) ) def forward(self, x): # 初始化隐藏状态 h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device) c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device) # 前向传播LSTM out, _ = self.lstm(x, (h0, c0)) # 只取最后一个时间步的输出 out = out[:, -1, :] # 全连接层 out = self.fc(out) return out # 4. 训练和评估函数 # -------------------------------------------------- def train_model(model, train_loader, val_loader, criterion, optimizer, scheduler, epochs, model_name): """训练模型""" print(f"\n开始训练 {model_name} 模型...") start_time = time.time() best_val_loss = float('inf') history = {'train_loss': [], 'val_loss': []} for epoch in range(epochs): # 训练阶段 model.train() train_loss = 0.0 for inputs, targets in train_loader: inputs, targets = inputs.to(device), targets.to(device) # 前向传播 outputs = model(inputs) loss = criterion(outputs, targets) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() train_loss += loss.item() * inputs.size(0) # 验证阶段 model.eval() val_loss = 0.0 with torch.no_grad(): for inputs, targets in val_loader: inputs, targets = inputs.to(device), targets.to(device) outputs = model(inputs) loss = criterion(outputs, targets) val_loss += loss.item() * inputs.size(0) # 计算平均损失 train_loss = train_loss / len(train_loader.dataset) val_loss = val_loss / len(val_loader.dataset) history['train_loss'].append(train_loss) history['val_loss'].append(val_loss) # 更新学习率 if scheduler: scheduler.step(val_loss) # 保存最佳模型 if val_loss < best_val_loss: best_val_loss = val_loss torch.save(model.state_dict(), f'best_{model_name}_model.pth') # 打印进度 if (epoch + 1) % 5 == 0: print(f"Epoch [{epoch+1}/{epochs}] - Train Loss: {train_loss:.6f}, Val Loss: {val_loss:.6f}") print(f"训练完成! 耗时: {time.time()-start_time:.2f}秒") print(f"最佳验证损失: {best_val_loss:.6f}") return history def evaluate_model(model, test_loader, scaler, model_name): """评估模型性能""" model.eval() actuals = [] predictions = [] with torch.no_grad(): for inputs, targets in test_loader: inputs = inputs.to(device) # 预测 outputs = model(inputs) # 反归一化 outputs_np = outputs.cpu().numpy() targets_np = targets.numpy() # 反归一化 outputs_inv = scaler.inverse_transform(outputs_np) targets_inv = scaler.inverse_transform(targets_np.reshape(-1, 1)).flatten() # 收集结果 actuals.extend(targets_inv) predictions.extend(outputs_inv.flatten()) # 转换为numpy数组 actuals = np.array(actuals) predictions = np.array(predictions) # 计算性能指标 mae = mean_absolute_error(actuals, predictions) rmse = np.sqrt(mean_squared_error(actuals, predictions)) print(f"\n{model_name} 模型评估结果:") print(f"MAE: {mae:.2f} kW") print(f"RMSE: {rmse:.2f} kW") return actuals, predictions, mae, rmse # 5. 可视化函数 # -------------------------------------------------- def plot_predictions(actuals, predictions, timestamps, model_name, forecast_steps, mae): """可视化预测结果""" # 创建结果DataFrame results = pd.DataFrame({ 'timestamp': timestamps, 'actual': actuals, 'predicted': predictions }) # 设置时间索引 results.set_index('timestamp', inplace=True) # 选择一段代表性的时间序列展示 sample = results.iloc[1000:1300] plt.figure(figsize=(15, 7)) # 绘制实际值 plt.plot(sample.index, sample['actual'], label='实际功率', color='blue', alpha=0.7, linewidth=2) # 绘制预测值 plt.plot(sample.index, sample['predicted'], label='预测功率', color='red', alpha=0.7, linestyle='--', linewidth=2) plt.title(f'{model_name}风功率预测 (预测步长: {forecast_steps}步, MAE: {mae:.2f} kW)', fontsize=14) plt.xlabel('时间', fontsize=12) plt.ylabel('有功功率 (kW)', fontsize=12) plt.legend(fontsize=12) plt.grid(True, linestyle='--', alpha=0.7) plt.xticks(rotation=45) plt.tight_layout() plt.savefig(f'{model_name}_prediction_plot.png', dpi=300) plt.show() return results def plot_training_history(history, model_name): """绘制训练过程中的损失曲线""" plt.figure(figsize=(12, 6)) # 绘制训练损失 plt.plot(history['train_loss'], label='训练损失') # 绘制验证损失 if 'val_loss' in history: plt.plot(history['val_loss'], label='验证损失') plt.title(f'{model_name} 训练过程', fontsize=14) plt.xlabel('训练轮次', fontsize=12) plt.ylabel('损失 (MSE)', fontsize=12) plt.legend(fontsize=12) plt.grid(True, linestyle='--', alpha=0.7) plt.tight_layout() plt.savefig(f'{model_name}_training_history.png', dpi=300) plt.show() # 6. 主函数 # -------------------------------------------------- def main(): # 加载数据 X, y, timestamps = load_and_preprocess_data() # 定义预测配置 ULTRA_SHORT_CONFIG = { 'name': '超短期', 'look_back': 24, # 6小时历史 (24*15min) 'forecast_steps': 16, # 4小时预测 (16*15min) 'batch_size': 64, 'hidden_size': 128, 'num_layers': 2, 'epochs': 100, 'lr': 0.001 } SHORT_TERM_CONFIG = { 'name': '短期', 'look_back': 96, # 24小时历史 (96*15min) 'forecast_steps': 288, # 72小时预测 (288*15min) 'batch_size': 32, 'hidden_size': 256, 'num_layers': 3, 'epochs': 150, 'lr': 0.0005 } # 准备超短期预测数据集 print("\n准备超短期预测数据集...") # 数据标准化 X_scaler = StandardScaler() y_scaler = StandardScaler() X_scaled = X_scaler.fit_transform(X) y_scaled = y_scaler.fit_transform(y.values.reshape(-1, 1)).flatten() # 创建数据集 dataset = WindPowerDataset(X_scaled, y_scaled, ULTRA_SHORT_CONFIG['look_back'], ULTRA_SHORT_CONFIG['forecast_steps']) # 划分数据集 train_size = int(0.8 * len(dataset)) val_size = int(0.1 * len(dataset)) test_size = len(dataset) - train_size - val_size train_dataset, val_dataset, test_dataset = torch.utils.data.random_split( dataset, [train_size, val_size, test_size] ) # 创建数据加载器 train_loader = DataLoader(train_dataset, batch_size=ULTRA_SHORT_CONFIG['batch_size'], shuffle=True) val_loader = DataLoader(val_dataset, batch_size=ULTRA_SHORT_CONFIG['batch_size']) test_loader = DataLoader(test_dataset, batch_size=ULTRA_SHORT_CONFIG['batch_size']) # 创建模型 model_ultra = WindPowerLSTM( input_size=X.shape[1], hidden_size=ULTRA_SHORT_CONFIG['hidden_size'], num_layers=ULTRA_SHORT_CONFIG['num_layers'], output_steps=ULTRA_SHORT_CONFIG['forecast_steps'] ).to(device) # 损失函数和优化器 criterion = nn.MSELoss() optimizer = optim.Adam(model_ultra.parameters(), lr=ULTRA_SHORT_CONFIG['lr']) scheduler = ReduceLROnPlateau(optimizer, mode='min', factor=0.5, patience=5, verbose=True) # 训练模型 history_ultra = train_model( model_ultra, train_loader, val_loader, criterion, optimizer, scheduler, ULTRA_SHORT_CONFIG['epochs'], 'ultra_short' ) # 评估模型 actuals_ultra, preds_ultra, mae_ultra, rmse_ultra = evaluate_model( model_ultra, test_loader, y_scaler, '超短期' ) # 可视化结果 plot_training_history(history_ultra, '超短期模型') # 获取对应的时间戳 ultra_timestamps = timestamps[ULTRA_SHORT_CONFIG['look_back']:][:len(actuals_ultra)] results_ultra = plot_predictions( actuals_ultra, preds_ultra, ultra_timestamps, '超短期', ULTRA_SHORT_CONFIG['forecast_steps'], mae_ultra ) # 准备短期预测数据集 print("\n准备短期预测数据集...") # 创建数据集 dataset_short = WindPowerDataset(X_scaled, y_scaled, SHORT_TERM_CONFIG['look_back'], SHORT_TERM_CONFIG['forecast_steps']) # 划分数据集 train_size_short = int(0.8 * len(dataset_short)) val_size_short = int(0.1 * len(dataset_short)) test_size_short = len(dataset_short) - train_size_short - val_size_short train_dataset_short, val_dataset_short, test_dataset_short = torch.utils.data.random_split( dataset_short, [train_size_short, val_size_short, test_size_short] ) # 创建数据加载器 train_loader_short = DataLoader(train_dataset_short, batch_size=SHORT_TERM_CONFIG['batch_size'], shuffle=True) val_loader_short = DataLoader(val_dataset_short, batch_size=SHORT_TERM_CONFIG['batch_size']) test_loader_short = DataLoader(test_dataset_short, batch_size=SHORT_TERM_CONFIG['batch_size']) # 创建模型 model_short = WindPowerLSTM( input_size=X.shape[1], hidden_size=SHORT_TERM_CONFIG['hidden_size'], num_layers=SHORT_TERM_CONFIG['num_layers'], output_steps=SHORT_TERM_CONFIG['forecast_steps'] ).to(device) # 损失函数和优化器 optimizer_short = optim.Adam(model_short.parameters(), lr=SHORT_TERM_CONFIG['lr']) scheduler_short = ReduceLROnPlateau(optimizer_short, mode='min', factor=0.5, patience=10, verbose=True) # 训练模型 history_short = train_model( model_short, train_loader_short, val_loader_short, criterion, optimizer_short, scheduler_short, SHORT_TERM_CONFIG['epochs'], 'short_term' ) # 评估模型 actuals_short, preds_short, mae_short, rmse_short = evaluate_model( model_short, test_loader_short, y_scaler, '短期' ) # 可视化结果 plot_training_history(history_short, '短期模型') # 获取对应的时间戳 short_timestamps = timestamps[SHORT_TERM_CONFIG['look_back']:][:len(actuals_short)] results_short = plot_predictions( actuals_short, preds_short, short_timestamps, '短期', SHORT_TERM_CONFIG['forecast_steps'], mae_short ) # 最终报告 print("\n" + "="*50) print("风功率预测模型训练完成!") print("="*50) print(f"超短期模型 (4小时预测):") print(f" - 回溯步长: {ULTRA_SHORT_CONFIG['look_back']} (6小时)") print(f" - 预测步长: {ULTRA_SHORT_CONFIG['forecast_steps']} (4小时)") print(f" - 测试集MAE: {mae_ultra:.2f} kW") print(f" - 测试集RMSE: {rmse_ultra:.2f} kW") print(f"\n短期模型 (72小时预测):") print(f" - 回溯步长: {SHORT_TERM_CONFIG['look_back']} (24小时)") print(f" - 预测步长: {SHORT_TERM_CONFIG['forecast_steps']} (72小时)") print(f" - 测试集MAE: {mae_short:.2f} kW") print(f" - 测试集RMSE: {rmse_short:.2f} kW") print("="*50) # 保存预测结果 results_df = pd.DataFrame({ 'timestamp': short_timestamps, '实际功率': actuals_short, '超短期预测': results_ultra['predicted'].values[:len(actuals_short)], '短期预测': preds_short }) results_df.to_csv('风功率预测结果.csv', index=False) print("预测结果已保存到 '风功率预测结果.csv'") if __name__ == "__main__": main() 请在上述的代码基础上修改，本次修改要求只使用"阿拉山口风电场_EC_data"和"阿拉山口风电场风机数据"这两个数据集进行训练和预测。

merged_df.rename(columns={'index': 'timestamp'}, inplace=True) # 填充缺失值 merged_df[['wind_speed', 'active_power']] = merged_df[['wind_speed', 'active_power']].ffill() merged_df[ec_features[1:...
-

【Python金融图表新选择】：mpl_finance模块全面解析

[【Python金融图表新选择】：mpl_finance模块全面解析](https://opengraph.githubassets.com/116f648b5a499a801a481ac1a2a026227e29fd8b2d269217c913b6ec60b0e2c2/matplotlib/mpl-finance) # 摘要 本文全面介绍了...
-

深入Python：高级时间序列分析技巧与实战演练

# 1. 时间序列分析概述 时间序列分析作为一种统计技术，已经被广泛应用于经济预测、市场分析、信号处理等多个领域。简而言之，时间序列就是按照时间顺序排列的一组数据点，它们通常由连续或定期采集的观察值构成。...
-

新手必备：时间序列数据采集与预处理的全面攻略

[新手必备：时间序列数据采集与预处理的全面攻略](https://img-blog.csdnimg.cn/20190110103854677.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3...
-

【Python金融图表新手必学】：mplfinance模块入门教程

[【Python金融图表新手必学】：mplfinance模块入门教程](https://opengraph.githubassets.com/116f648b5a499a801a481ac1a2a026227e29fd8b2d269217c913b6ec60b0e2c2/matplotlib/mpl-finance) # 摘要 本文全面介绍了...
-

【Chrome数据分析】：日期视角下的历史记录使用习惯揭秘

!...# 1. Chrome数据分析简介 在当今数字化时代，浏览器已成为我们获取信息和通讯的重要工具。作为最流行的浏览器之一，Google Chrome积累了大量用户行为数据，这些数据对于数据分析、用户体验优化以及个性化服务的...
-

【可视化工具的力量】：GMAT展示任务分析结果的艺术

!... # 摘要 GMAT可视化工具是一套全面的数据分析和可视化解决方案，旨在帮助用户通过直观的图表和图形来理解和解释复杂的数据集。本文首先介绍了GMAT可视化工具的基本概念和使用场景，随后深入探讨了数据可视化的基础...
-

Python参数估计必学课：Fama French五因子模型的精确调整方法

!...# 1. Fama French五因子模型基础 ## 1.1 模型概述 Fama French五因子模型是由Eugene Fama和Kenneth French在2015年提出的一种资产定价模型。它是对先前三因子模型的扩展，通过引入额外的两个因子——公司规模...
-

【QWS数据集全面解析】：精通数据集结构、处理与应用

[【QWS数据集全面解析】：精通数据集结构、处理与应用](https://opengraph.githubassets.com/ff6ba50a2dea7a743740e51934dc8e6471950418eb7567e61bad3be6ce673c0a/madanbaduwal/cv-datasets) # 摘要 QWS数据集作为...
-

【LSTM深度学习入门到精通】：揭秘时间序列处理的七大实用技巧

[【LSTM深度学习入门到精通】：揭秘时间序列处理的七大实用技巧](https://ucc.alicdn.com/images/user-upload-01/img_convert/f488af97d3ba2386e46a0acdc194c390.png?x-oss-process=image/resize,s_500,m_lfit) ...

File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\frame.py", line 778, in __init__ mgr = dict_to_mgr(data, index, columns, dtype=dtype, copy=copy, typ=manager) File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\internals\construction.py", line 503, in dict_to_mgr return arrays_to_mgr(arrays, columns, index, dtype=dtype, typ=typ, consolidate=copy) File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\internals\construction.py", line 114, in arrays_to_mgr index = _extract_index(arrays) File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\internals\construction.py", line 690, in _extract_index raise ValueError(msg) ValueError: array length 4304 does not match index length 1802

这个错误发生在创建DataFrame时，传入的数据数组长度与索引长度不匹配。具体来说，错误信息显示数组长度为4304，而索引长度为1802。这通常是因为在创建DataFrame时，传入的字典中某个或多个数组的长度与索引长度不...

merged_df = merged_df.set_index('timestamp').reindex(full_range).reset_index() File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\frame.py", line 5378, in reindex return super().reindex( File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\generic.py", line 5610, in reindex return self._reindex_axes( File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\generic.py", line 5633, in _reindex_axes new_index, indexer = ax.reindex( File "D:\Anaconda\envs\gpu\lib\site-packages\pandas\core\indexes\base.py", line 4429, in reindex raise ValueError("cannot reindex on an axis with duplicate labels") ValueError: cannot reindex on an axis with duplicate labels

merged_df.rename(columns={'index': 'timestamp'}, inplace=True) # 填充缺失值 merged_df[['wind_speed', 'active_power']] = merged_df[['wind_speed', 'active_power']].ffill() # 填充EC特征 ec_cols ...
doc

2022年网站美工个人年度工作总结(1).doc

2022年网站美工个人年度工作总结(1).doc
doc

财务软件销售实习报告格式范文-实习报告格式(1).doc

财务软件销售实习报告格式范文-实习报告格式(1).doc
rar

【航迹关联】基于标准 Hough 变换、修正 Hough 变换和序列 Hough 变换实现航迹起始算法研究Matlab代码.rar

【航迹关联】基于标准 Hough 变换、修正 Hough 变换和序列 Hough 变换实现航迹起始算法研究Matlab代码

大家在看

recommend-type

基于python开发的工商企业名录查询软件v2.2.4下载

这个软件是通过scrapy爬虫框架结合代理IP池再加上request模拟请求技术以及验证码识别技术，可以做到日更新采集全国新工商信息。采集的数据自动存储在mysql数据库表里，可下载全量1.8亿多企业工商基本信息和36维度的详细信息.支持sql和excel导出数据包格式。
recommend-type

ruijin_round2：瑞金医院MMC人工智能辅助建立知识图谱大赛复赛

ruijin_round2：瑞金医院MMC人工智能辅助建立知识图谱大赛复赛
recommend-type

泛微e8后台维护手册

泛微e8后台维护手册，要学习泛微OA的朋友很值得下载，欢迎广大朋友下载
recommend-type

虚拟光驱DAEMON（支持2000/XP/2003）

非常好用的虚拟光驱软件，此版本完美支持2003操作系统。
recommend-type

ISO/IEC 27001:2022与ISO 27002:2022最新版中英文版合集

集合了ISO 27001:2022和ISO 27002:2022的英文及中文版PDF文件，均为最终翻译版本，包含完整的目录和标签。。内容来源于网络分享，如有侵权请联系我删除。另外如果没有积分的同学需要下载，请私信我。

最新推荐

recommend-type

python dataframe向下向上填充,fillna和ffill的方法

In[14]: time_range = pd.DataFrame(pd.date_range('2010-01-01','2017-12-01',freq='D'), columns=['date']).set_index("date") ``` 接下来，我们将原始DataFrame与时间范围DataFrame合并，这样可以得到每一天的...
recommend-type

2022年网站美工个人年度工作总结(1).doc

2022年网站美工个人年度工作总结(1).doc
recommend-type

财务软件销售实习报告格式范文-实习报告格式(1).doc

财务软件销售实习报告格式范文-实习报告格式(1).doc
recommend-type

获取本机IP地址的程序源码分析

从给定文件信息中我们可以提取出的关键知识点是“取本机IP”的实现方法以及与之相关的编程技术和源代码。在当今的信息技术领域中，获取本机IP地址是一项基本技能，广泛应用于网络通信类的软件开发中，下面将详细介绍这一知识点。 首先，获取本机IP地址通常需要依赖于编程语言和操作系统的API。不同的操作系统提供了不同的方法来获取IP地址。在Windows操作系统中，可以通过调用Windows API中的GetAdaptersInfo()或GetAdaptersAddresses()函数来获取网络适配器信息，进而得到IP地址。在类Unix操作系统中，可以通过读取/proc/net或是使用系统命令ifconfig、ip等来获取网络接口信息。 在程序设计过程中，获取本机IP地址的源程序通常会用到网络编程的知识，比如套接字编程（Socket Programming）。网络编程允许程序之间进行通信，套接字则是在网络通信过程中用于发送和接收数据的接口。在许多高级语言中，如Python、Java、C#等，都提供了内置的网络库和类来简化网络编程的工作。 在网络通信类中，IP地址是区分不同网络节点的重要标识，它是由IP协议规定的，用于在网络中唯一标识一个网络接口。IP地址可以是IPv4，也可以是较新的IPv6。IPv4地址由32位二进制数表示，通常分为四部分，每部分由8位构成，并以点分隔，如192.168.1.1。IPv6地址则由128位二进制数表示，其表示方法与IPv4有所不同，以冒号分隔的8组16进制数表示，如2001:0db8:85a3:0000:0000:8a2e:0370:7334。 当编写源代码以获取本机IP地址时，通常涉及到以下几个步骤： 1. 选择合适的编程语言和相关库。 2. 根据目标操作系统的API或系统命令获取网络接口信息。 3. 分析网络接口信息，提取出IP地址。 4. 将提取的IP地址转换成适合程序内部使用的格式。 5. 在程序中提供相应功能，如显示IP地址或用于网络通信。 例如，在Python中，可以使用内置的socket库来获取本机IP地址。一个简单的示例代码如下： ```python import socket # 获取主机名 hostname = socket.gethostname() # 获取本机IP local_ip = socket.gethostbyname(hostname) print("本机IP地址是:", local_ip) ``` 在实际应用中，获取本机IP地址通常是为了实现网络通信功能，例如建立客户端与服务器的连接，或者是在开发涉及到IP地址的其他功能时使用。 关于文件名称“getIP”，这是一个自解释的文件名，明显表示该文件或程序的作用是获取本机的IP地址。从标签“控件 源码 网络通信类 资源”中我们可以看出，这个文件很可能是一个可以嵌入其他软件中的代码片段，用以实现网络通信功能的一部分，具有较高的灵活性和重用性。 综上所述，获取本机IP地址是一个涉及到操作系统API、网络编程以及特定编程语言知识的技能。它不仅需要对编程语言提供的库函数有深入的理解，还要对操作系统的网络配置和IP协议有足够的认识。通过阅读和分析相关的源代码，如“getIP”，可以加深对网络编程实现细节的理解，并能够在实际开发中快速地应用这一技术。
recommend-type

【权威指南】：Win11笔记本上RTX4080驱动的安装与调试秘籍

# 1. Win11笔记本与RTX4080显卡介绍 随着技术的不断发展，笔记本电脑已不再是仅仅满足办公需求的移动设备，而是逐渐成为可以胜任复杂图形处理和游戏任务的强大工具。微软推出的Windows 11操作系统，以其全新的用户界面和改进的系统性能，为用户提供了更为流畅的操作体验。而在硬件方面，NVIDIA的RTX 4080显卡以其卓越的图形处理能力和AI支持，为笔记本电脑带来了前所未有的性能提升。本章节将带您初步了解Windows 11笔记本与NVIDIA RTX 4080显卡的基础信息，为进一步深入探讨它们的优化和调试技巧奠定基础。 ## 1.1 Win11笔记本的优势 Windows
recommend-type

windows环境举例

<think>好的，用户现在想在Windows环境下创建C函数库，需要具体的方法和示例代码。我需要结合之前的回答和用户提供的引用内容来给出合适的指导。 首先回顾之前的回答，用户已经了解了在Linux下创建静态库和动态库的方法，现在需要切换到Windows环境。根据引用[2]，Windows下的C标准库和动态链接库的处理与Linux不同，比如使用dlfcn.h在Linux，而Windows可能需要其他方式。另外，引用[1]提到了在Windows下配置gcc环境（MinGW-w64），这可能是一个关键点，因为用户可能需要使用MinGW来编译库。 用户提供的引用[3]提到了使用MSVC编译器，这
recommend-type

QQ自动发送/回复系统源代码开放

根据提供的文件信息，我们可以了解到以下几点关键的知识点： ### 标题：“qqhelp” 1. **项目类型**: 标题“qqhelp”暗示这是一个与QQ相关的帮助工具或项目。QQ是中国流行的即时通讯软件，因此这个标题表明项目可能提供了对QQ客户端功能的辅助或扩展。 2. **用途**: “help”表明此项目的主要目的是提供帮助或解决问题。由于它提到了QQ，并且涉及“autosend/reply”功能，我们可以推测该项目可能用于自动化发送消息回复，或提供某种形式的自动回复机制。 ### 描述：“I put it to my web, but nobody sendmessage to got the source, now I public it. it supply qq,ticq autosend/reply ,full sourcecode use it as you like” 1. **发布情况**: 描述提到该项目原先被放置在某人的网站上，并且没有收到请求源代码的消息。这可能意味着项目不够知名或者需求不高。现在作者决定公开发布，这可能是因为希望项目能够被更多人了解和使用，或是出于开源共享的精神。 2. **功能特性**: 提到的“autosend/reply”表明该项目能够实现自动发送和回复消息。这种功能对于需要进行批量或定时消息沟通的应用场景非常有用，例如客户服务、自动化的营销通知等。 3. **代码可用性**: 作者指出提供了“full sourcecode”，意味着源代码完全开放，用户可以自由使用，无论是查看、学习还是修改，用户都有很大的灵活性。这对于希望学习编程或者有特定需求的开发者来说是一个很大的优势。 ### 标签：“综合系统类” 1. **项目分类**: 标签“综合系统类”表明这个项目可能是一个多功能的集成系统，它可能不仅限于QQ相关的功能，还可能包含了其他类型的综合服务或特性。 2. **技术范畴**: 这个标签可能表明该项目的技术实现比较全面，可能涉及到了多个技术栈或者系统集成的知识点，例如消息处理、网络编程、自动化处理等。 ### 压缩包子文件的文件名称列表： 1. **Unit1.dfm**: 这是一个Delphi或Object Pascal语言的窗体定义文件，用于定义应用程序中的用户界面布局。DFM文件通常用于存储组件的属性和位置信息，使得开发者可以快速地进行用户界面的设计和调整。 2. **qqhelp.dpr**: DPR是Delphi项目文件的扩展名，包含了Delphi项目的核心设置，如程序入口、使用的单元（Units）等。这个文件是编译和构建Delphi项目的起点，它能够帮助开发者了解项目的组织结构和编译指令。 3. **Unit1.pas**: PAS是Delphi或Object Pascal语言的源代码文件。这个文件可能包含了与QQ帮助工具相关的核心逻辑代码，例如处理自动发送和回复消息的算法等。 4. **readme.txt**: 这是一个常见的文本文件，包含项目的基本说明和使用指导，帮助用户了解如何获取、安装、运行和定制该项目。README文件通常是用户与项目首次交互时首先阅读的文件，因此它对于一个开源项目的用户友好度有着重要影响。 通过以上分析，我们可以看出“qqhelp”项目是一个针对QQ通讯工具的自动化消息发送与回复的辅助工具。项目包含完整的源代码，用户可以根据自己的需要进行查看、修改和使用。它可能包含Delphi语言编写的窗体界面和后端逻辑代码，具有一定的综合系统特性。项目作者出于某种原因将其开源，希望能够得到更广泛的使用和反馈。
recommend-type

【7步打造Win11深度学习利器】：Tensorflow-GPU与RTX4080终极优化指南

# 1. 深度学习与Windows 11的融合 在人工智能时代，深度学习已渗透到生活的方方面面，而Windows 11作为最新一代的操作系统，为深度学习提供了一个高效的工作平台。本章节将探讨深度学习技术如何与Windows 11系统融合，以及这一
recommend-type

ue画笔画画蓝图版

<think>我们正在讨论的是在UnrealEngine中使用蓝图实现画笔绘画功能。根据用户需求，重点在于通过蓝图系统实现类似毛笔的绘画效果。结合之前的回答和引用内容，我们将详细展开实现方法。核心思路：通过捕捉输入轨迹，动态生成笔触网格，并应用材质模拟墨迹效果。###详细实现步骤####1.创建绘画蓝图创建一个名为`BP_PaintBrush`的Actor蓝图：-**根组件**：SceneComponent-**关键组件**：-`SplineComponent`：用于存储绘画路径点-`InstancedStaticMeshComponent`：高效渲染重复笔触段（替代单个SplineMesh组
recommend-type

VB.NET图表曲线组件实现多种图表绘制

在深入讨论所给文件信息中的知识点之前，我们首先需要明确这些信息所代表的内容。标题指出我们所讨论的是一款在VB.NET环境中使用的“三维图表曲线组件”。从描述中我们可以了解到该组件的功能特性，即它能够绘制包括柱状图、线条曲线图和饼图在内的多种类型图表，并且支持图例的展示。此外，组件的色彩使用比较鲜艳，它不仅适用于标准的Windows Forms应用程序，还能够在ASP.NET环境中使用。而“压缩包子文件的文件名称列表”提供的信息则指向了可能包含该组件示例代码或说明文档的文件名，例如“PSC_ReadMe_4556_10.txt”可能是一个说明文档，而“GraphingV3Testing”和“Graphing.V3”则可能是一些测试文件或组件的实际使用案例。 下面详细说明标题和描述中提到的知识点： 1. VB.NET环境中的图表组件开发： 在VB.NET中开发图表组件需要开发者掌握.NET框架的相关知识，包括但不限于Windows Forms应用程序的开发。VB.NET作为.NET框架的一种语言实现，它继承了.NET框架的面向对象特性和丰富的类库支持。图表组件作为.NET类库的一部分，开发者可以通过继承相关类、使用系统提供的绘图接口来设计和实现图形用户界面（GUI）中用于显示图表的部分。 2. 图表的类型和用途： - 柱状图：主要用于比较各类别数据的数量大小，通过不同长度的柱子来直观显示数据间的差异。 - 线条曲线图：适用于展示数据随时间或顺序变化的趋势，比如股票价格走势、温度变化等。 - 饼图：常用于展示各部分占整体的比例关系，可以帮助用户直观地了解数据的组成结构。 3. 图例的使用和意义： 图例在图表中用来说明不同颜色或样式所代表的数据类别或系列。它们帮助用户更好地理解图表中的信息，是可视化界面中重要的辅助元素。 4. ASP.NET中的图表应用： ASP.NET是微软推出的一种用于构建动态网页的框架，它基于.NET平台运行。在ASP.NET中使用图表组件意味着可以创建动态的图表，这些图表可以根据Web应用程序中实时的数据变化进行更新。比如，一个电子商务网站可能会利用图表组件来动态显示产品销售排行或用户访问统计信息。 5. 色彩运用： 在设计图表组件时，色彩的运用非常关键。色彩鲜艳不仅能够吸引用户注意，还能够帮助用户区分不同的数据系列。正确的色彩搭配还可以提高信息的可读性和美观性。 在技术实现层面，开发者可能需要了解如何在VB.NET中使用GDI+（Graphics Device Interface）进行图形绘制，掌握基本的绘图技术（如画线、填充、颜色混合等），并且熟悉.NET提供的控件（如Panel, Control等）来承载和显示这些图表。 由于提供的文件名列表中包含有"Testing"和".txt"等元素，我们可以推测该压缩包内可能还包含了与图表组件相关的示例程序和使用说明，这对于学习如何使用该组件将十分有用。例如，“GraphingV3Testing”可能是一个测试项目，用于在真实的应用场景中检验该图表组件的功能和性能；“PSC_ReadMe_4556_10.txt”可能是一个详细的用户手册或安装说明，帮助用户了解如何安装、配置和使用该组件。 总结而言，了解并掌握在VB.NET环境下开发和使用三维图表曲线组件的知识点，对从事.NET开发的程序员来说，不仅可以增强他们在数据可视化方面的技能，还可以提高他们构建复杂界面和动态交互式应用的能力。