2003 - Can't connect to MySQL server on '192.168.11.51'(10061 "Unknown error")

根据你提供的错误信息，问题出在 `LinearRegression` 模型的训练过程中。具体来说，输入特征矩阵 `X_train` 或目标变量 `y_train` 中存在 `NaN` 值（缺失值），而 `LinearRegression` 无法直接处理这些缺失值。 以下是详细的解决方案和解释： --- ### 解决方案 我们需要对数据进行预处理，以确保 `X_train` 和 `y_train` 中不包含任何 `NaN` 值。常见的处理方法包括： 1. **删除包含缺失值的行**。 2. **使用插值法或均值填充缺失值**。 以下是修正后的代码： ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error from sklearn.impute import SimpleImputer import numpy as np # 数据输入：手动创建数据集 data = { "日期": ["2025/4/1"] * 24, "时间": [f"{i}:00:00" for i in range(24)], "气温℃": [3.58, 3.70, 3.22, 2.23, 1.94, 2.42, 2.23, 2.87, 3.31, 10.53, 11.32, 11.63, 14.11, 14.18, 14.08, 14.69, 14.66, 11.51, 11.39, 12.41, 11.57, 7.35, 5.35], "湿度%": [11.26, 13.23, 14.41, 18.66, 17.96, 21.34, 21.91, 20.31, 19.76, 10.60, 9.40, 9.15, 6.93, 6.34, 6.19, 5.95, 6.04, 7.34, 5.95, 4.26, 4.57, 9.14, 9.58], "气压hPa": [867.53, 867.39, 867.19, 866.97, 866.44, 866.28, 867.03, 867.62, 867.86, 868.11, 868.08, 868.01, 867.15, 866.47, 865.33, 865.03, 864.78, 865.46, 864.93, 865.26, 866.01, 866.25, 866.10], "风向°": [275.53, 276.13, 279.62, 281.28, 284.63, 296.73, 294.89, 298.60, 300.94, 304.77, 312.40, 318.26, 318.40, 324.85, 330.32, 334.99, 335.53, 340.04, 5.06, 48.04, 74.37, 105.08, 106.24], "输出功率(MW)": [0.31, 0.48, 0.49, 0.47, 0.43, 0.42, 0.34, 0.28, 0.18, 0.11, 0.17, 0.10, 0.06, 0.05, 0.04, 0.04, 0.02, 0, 0, 0.0037, 0.013, 0.030, 0.017], "风速(m/s)": [6.92, 7.99, 8.06, 7.96, 7.66, 7.61, 7.12, 6.68, 5.81, 5.11, 5.73, 4.88, 4.28, 3.98, 3.81, 3.68, 3.20, 1.88, 1.39, 2.39, 3.09, 3.51, 3.51] } # 转换为DataFrame df = pd.DataFrame(data) # 检查是否有缺失值 if df.isnull().values.any(): print("警告: 数据中存在缺失值，将使用均值填充。") # 使用SimpleImputer填充缺失值 imputer = SimpleImputer(strategy='mean') # 使用均值填充 df_imputed = pd.DataFrame(imputer.fit_transform(df), columns=df.columns) # 选择预测目标：假设我们想预测“输出功率(MW)”基于其他变量 X = df_imputed[["气温℃", "湿度%", "气压hPa", "风向°", "风速(m/s)"]] # 特征 y = df_imputed["输出功率(MW)"] # 目标变量 # 拆分训练数据和测试数据 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建并训练线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 在测试集上预测 y_pred = model.predict(X_test) # 评估模型 mse = mean_squared_error(y_test, y_pred) print(f"均方误差(MSE): {mse}") # 输出预测结果 print(f"预测值: {y_pred}") print(f"实际值: {y_test.values}") ``` --- ### 解释代码 1. **检查缺失值**： - 使用 `df.isnull().values.any()` 检查数据集中是否存在缺失值。 - 如果存在缺失值，则打印警告信息。 2. **填充缺失值**： - 使用 `SimpleImputer` 对缺失值进行填充。 - 这里选择了均值填充策略（`strategy='mean'`），也可以选择中位数（`median`）或其他策略。 3. **重新构建 DataFrame**： - 使用 `fit_transform` 方法对原始数据进行填充，并生成新的 DataFrame。 4. **后续流程**： - 从填充后的 DataFrame 中提取特征 `X` 和目标变量 `y`。 - 继续完成数据拆分、模型训练、预测和评估等步骤。 --- ### 输出结果 运行上述代码后，你应该不会再遇到 `ValueError: Input X contains NaN.` 错误。程序将正常输出以下内容： ``` 均方误差(MSE): <MSE值> 预测值: [<预测值>] 实际值: [<实际值>] ``` --- ###