import pandas as pd df = pd.ExcelFile(r'F:\Python_file\test_sheet\output3.xlsx') df.sheet_names df_list = [] for sheet in df.sheet_names: print(sheet) read_sheet = pd.read_excel(df, sheet, header=2) rows = range(0, read_sheet.shape[0]) for row in rows: try: col_test = read_sheet.iloc[row, 4] # print(col_test) # exit() if ("25" in col_test) and ('4.2v' in col_test or '4.2V' in col_test): # if '4.15V' in col_test: # continue # if ('60' in col_test or '45' in col_test): # continue df_list.append(read_sheet.iloc[[row], :5]) else: continue except Exception as err: print('col nan') df_list = pd.DataFrame(df_list) df_concat = pd.concat(df_list, axis=0) print(df_concat)

这是一个Python代码，看起来是在读取一个Excel文件中的多个sheet，然后筛选符合条件的行并将它们添加到一个列表中，最后将列表中的所有行合并成一个DataFrame。根据报错提示，可能是在尝试合并数据时出现了问题，需要查看具体的数据形状和内容来确定原因。可以尝试print一些中间结果来调试。另外，由于我是一个 AI，不能直接运行你的代码，如果你需要更多的帮助，请提供更多的信息或代码片段，这样我才能更好地帮助你。

### 使用 PyTorch 构建时间序列预测模型 #### 数据加载与预处理 为了实现基于 PyTorch 的时间序列预测模型，首先需要解决数据加载和预处理的问题。如果用户拥有多张 Excel 表格，则可以利用 `pandas` 库来读取这些表格并将它们转换为统一的结构化数据形式。 以下是具体方法： 1. **Excel 文件读取** 可以通过 `pandas.read_excel()` 函数逐一读取多个 Excel 文件，并将其合并成单一的数据帧 (DataFrame)。 ```python import pandas as pd # 假设文件名为 'data_1.xlsx', 'data_2.xlsx' ... file_list = ['data_1.xlsx', 'data_2.xlsx'] data_frames = [pd.read_excel(file) for file in file_list] # 合并所有 DataFrame combined_data = pd.concat(data_frames, ignore_index=True) ``` 2. **数据清洗与标准化** 清洗过程可能包括去除缺失值、异常值检测以及特征缩放等操作。对于时间序列数据，通常会采用 Min-Max 归一化或 Z-Score 标准化技术[^3]。 ```python from sklearn.preprocessing import StandardScaler scaler = StandardScaler() scaled_features = scaler.fit_transform(combined_data.values) ``` 3. **划分训练集与测试集** 利用 `train_test_split` 方法将数据划分为训练集和验证集。 ```python X_train, X_test, y_train, y_test = train_test_split( scaled_features[:, :-1], # 特征列 scaled_features[:, -1], # 目标列 test_size=0.2, random_state=42 ) ``` #### 模型定义与训练流程 接下来，在 PyTorch 中定义一个适合时间序列预测的神经网络架构。这里可以选择 CNN-BiGRU 结构作为基础框架[^1]。 1. **模型设计** 定义一个包含卷积层、双向 GRU 层以及其他必要组件的类继承自 `nn.Module`。 ```python class TimeSeriesModel(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim, num_layers): super(TimeSeriesModel, self).__init__() self.conv_layer = nn.Conv1d(in_channels=input_dim, out_channels=hidden_dim, kernel_size=3, padding=1) self.bigru = nn.GRU(input_size=hidden_dim, hidden_size=hidden_dim, num_layers=num_layers, batch_first=True, bidirectional=True) self.fc = nn.Linear(hidden_dim * 2, output_dim) # 输出维度加倍因为是双向 RNN def forward(self, x): conv_out = F.relu(self.conv_layer(x.permute(0, 2, 1))) gru_input = conv_out.permute(0, 2, 1) bigru_output, _ = self.bigru(gru_input) final_output = self.fc(bigru_output[:, -1, :]) # 获取最后一个时间步的结果 return final_output ``` 2. **优化器与损失函数配置** 配置 Adam 优化器以及均方误差（MSE）损失函数用于监督学习任务。 ```python model = TimeSeriesModel(input_dim=X_train.shape[1], hidden_dim=64, output_dim=1, num_layers=2) criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` 3. **训练循环** 编写完整的训练逻辑以便迭代更新参数直至收敛。 ```python epochs = 50 for epoch in range(epochs): model.train() inputs = torch.tensor(X_train, dtype=torch.float32).unsqueeze(-1) targets = torch.tensor(y_train, dtype=torch.float32) outputs = model(inputs) loss = criterion(outputs.squeeze(), targets) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch+1) % 10 == 0: print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}') ``` #### 测试阶段评估性能 最后一步是对测试集上的表现进行量化评价，比如计算平均绝对误差 MAE 或者决定系数 \(R^2\) 等指标。 ```python model.eval() with torch.no_grad(): test_inputs = torch.tensor(X_test, dtype=torch.float32).unsqueeze(-1) predictions = model(test_inputs).squeeze().numpy() mae = np.mean(np.abs(predictions - y_test)) print(f'Mean Absolute Error on Test Set: {mae:.4f}') ``` --- ###