lstm时间序列预测python，传入dataframe数据

LSTM（Long Short-Term Memory）是一种递归神经网络结构，特别适合处理时间序列数据。在Python中，我们可以利用深度学习库如Keras或PyTorch来实现LSTM的时间序列预测。

首先，你需要安装必要的库，如pandas、numpy、matplotlib和keras（或torch，取决于你的选择）。假设你的DataFrame `df` 包含了时间序列数据，步骤如下：

1. 导入库并加载数据：

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense

2. 数据预处理：
- 将DataFrame转换成数值数组，提取需要的特征和目标变量。
- 对数据进行归一化或标准化，确保输入值在相似范围内。

   def create_dataset(dataset, look_back=1):
       dataX, dataY = [], []
       for i in range(len(dataset) - look_back - 1):
           a = dataset[i:(i + look_back), 0]
           dataX.append(a)
           dataY.append(dataset[i + look_back, 0])
       return np.array(dataX), np.array(dataY)

   # 假设`df`有两列，一列是特征（feature），另一列是标签(target)
   feature_column = df.columns[0]  # 修改为你想要作为输入的特征列名
   scaler = MinMaxScaler(feature_range=(0, 1))
   scaled_data = scaler.fit_transform(df[[feature_column]])

   train_size = int(len(scaled_data) * 0.8)
   test_size = len(scaled_data) - train_size

   train_data, test_data = scaled_data[0:train_size, :], scaled_data[train_size:len(scaled_data), :]
   look_back = 1  # 预测步长，例如一天的数据点作为一个观察期
   X_train, y_train = create_dataset(train_data, look_back)
   X_test, y_test = create_dataset(test_data, look_back)

3. 构建LSTM模型：

   model = Sequential()
   model.add(LSTM(50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
   model.add(LSTM(50, return_sequences=False))
   model.add(Dense(1))

   model.compile(loss='mean_squared_error', optimizer='adam')

4. 训练模型：

   model.fit(X_train, y_train, epochs=100, batch_size=1, verbose=2)

5. 进行预测：

   predictions = model.predict(X_test)
   predictions = scaler.inverse_transform(predictions)
   true_values = scaler.inverse_transform(y_test)

6. 结果评估：
可视化预测结果并与真实值对比，以及计算一些指标，如均方误差（MSE）或R²分数。