分散和線性迴歸的日期問題

我有兩個問題，我相信都發布到日期格式。分散和線性迴歸的日期問題

我有日期和值的CVS：

2012-01-03 00:00:00  95812  
2012-01-04 00:00:00 101265 
... 
2016-10-21 00:00:00  93594

後，我與read_csv我試圖解析的日期加載：

X.Dated = pd.to_datetime(X.Dated, format='%Y-%m-%d %H:%M:%S', errors='raise')

我也試圖與：

dateparse = lambda x: pd.datetime.strptime(x, '%Y-%m-%d %H:%M:%S') 
X = pd.read_csv('sales.csv', parse_dates=['Dated'], date_parser=dateparse)

和infer_datetime_format的說法。

所有這些似乎工作正常，因爲當我打印出來的日期看起來像這樣：2012-01-03。

問題出現，當我想要繪製在圖表的數據，該行：

ax.scatter(X.Dated, X.Val, c='green', marker='.')

給我一個錯誤：

TypeError: invalid type promotion

而且當我嘗試用線性迴歸使用（）算法擬合命令工作正常，但得分和預測給了我這個錯誤：

TypeError: Cannot cast array data from dtype('<M8[ns]') to dtype('float64') according to the rule 'safe'

我嘗試了很多事情來解決它，但沒有運氣。任何幫助，將不勝感激。

來源

2016-10-24 Greg

ax.scatter（目前）不接受熊貓系列，但它可以接受大熊貓時間戳列表（例如X['Dated'].tolist()），或D型datetime64[ns]（如X['Dated'].values）的NumPy的數組：

import pandas as pd 
import matplotlib.pyplot as plt 

X = pd.DataFrame({'Dated': [pd.Timestamp('2012-01-03 00:00:00'), 
          pd.Timestamp('2012-01-04 00:00:00'), 
          pd.Timestamp('2016-10-21 00:00:00')], 
        'Val': [95812, 101265, 93594]}) 

fig, ax = plt.subplots() 
# ax.scatter(X['Dated'].tolist(), X['Val'], c='green', marker='.', s=200) 
ax.scatter(X['Dated'].values, X['Val'], c='green', marker='.', s=200) 
plt.show()

Under the hood, the ax.scatter method calls

x = self.convert_xunits(x) 
y = self.convert_yunits(y)

來處理類似日期的輸入。 convert_xunits將NumPy datetime64數組轉換爲Matplotlib datenums，但它將Pandas時間序列轉換爲NumPy datetime64數組。

所以，當一個時間序列熊貓被作爲輸入傳遞到ax.scatter，代碼最終失敗時this line is reached：

offsets = np.dstack((x, y))

np.dstack試圖促進其輸入的dtypes到一個共同的D型。如果x具有D型datetime64[ns]和y具有D型float64，然後

TypeError: invalid type promotion

上升，因爲沒有本地NumPy的D類是既兼容。

來源

2016-10-24 14:04:03 unutbu

感謝它的幫助，我現在可以在圖表上顯示它。這回答了我的問題的第一部分。你知道爲什麼我有另一個錯誤：根據規則'安全'，無法將數組數據從dtype（' Greg

@Greg：我補充了一些關於錯誤來自何處的解釋。最終，當np.dstack試圖將x和y輸入組合到一個數組中時（通常使用dtype），會引發TypeError。由於'datetime64 [ns]'和'float' dtypes沒有兼容的公共dtype，所以會引發TypeError。 – unutbu

分散和線性迴歸的日期問題

回答

相關問題