数据为一个excle文件，excle文件有一列随时间变化的LS数据，我们使用ptroch里面的lstm模型对LS进行回归预测，用前面50个数据，预测之后10个数据，给出预测评价指标和结果的python代码

好的，针对您的问题，我来给您提供一下代码。

首先需要准备好数据，这里以随机生成的数据为例：

import numpy as np
import pandas as pd

# 随机生成数据
data = np.random.rand(100,1)
df = pd.DataFrame(data, columns=['LS'])

接下来需要将数据处理成LSTM模型可以接受的格式，这里我们采用时间窗口的方法，取前50个数据作为输入，预测后10个数据：

# 数据处理
def create_dataset(dataset, look_back=50, look_forward=10):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-look_forward):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back:i + look_back + look_forward, 0])
    return np.array(dataX), np.array(dataY)

# 生成训练和测试数据
train_size = int(len(df) * 0.7)
train, test = df.iloc[0:train_size], df.iloc[train_size:len(df)]

trainX, trainY = create_dataset(train.values)
testX, testY = create_dataset(test.values)

接下来可以定义LSTM模型并进行训练：

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.models import load_model

# 创建和训练LSTM模型
model = Sequential()
model.add(LSTM(4, input_shape=(50, 1)))
model.add(Dense(10))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)

# 保存模型
model.save('lstm_model.h5')

训练完成后，可以对测试数据进行预测并评估结果：

# 加载模型
model = load_model('lstm_model.h5')

# 预测测试数据
testPredict = model.predict(testX)

# 评估结果
from sklearn.metrics import mean_squared_error, mean_absolute_error

mse = mean_squared_error(testY, testPredict)
mae = mean_absolute_error(testY, testPredict)

print('MSE:', mse)
print('MAE:', mae)

以上就是预测评价指标和结果的Python代码了，希望能够对您有所帮助。