表格部分数据如下
附件里会给出全部数据链接
运行效果如下
代码解析
import pandas as pd import numpy as np import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties font = FontProperties(fname='PingFang Bold.ttf')
导入需要用到的Python库。pandas用于处理数据，numpy用于科学计算，matplotlib.pyplot用于绘图，FontProperties用于设置字体属性。在这里我们导入了中文字体PingFang Bold.ttf，以后进行绘图时就可以使用这个字体了。
df = pd.read_excel('中国各地现货棉花价格.xlsx') df['指标名称'] = pd.to_datetime(df['指标名称']) df.set_index('指标名称', inplace=True) df.fillna(method='ffill', inplace=True)
打开了名为“中国各地现货棉花价格.xlsx”的Excel文件，并将数据存储到名为df的pandas DataFrame中。接下来，在DataFrame中执行以下操作：
- 将“指标名称”列转换为datetime类型；
- 将“指标名称”列设置为索引；
- 使用前向填充（ffill）方法填充缺失值。
plt.figure(figsize=[15,8]) plt.plot(df['新疆:现货价:棉花'], label='新疆') plt.plot(df['中国:现货价:平均价:棉花'], label='中国') plt.plot(df['山东:现货价:棉花'], label='山东') plt.plot(df['河南:现货价:棉花'], label='河南') plt.plot(df['江苏:现货价:棉花'], label='江苏') plt.plot(df['河北:现货价:棉花'], label='河北') plt.plot(df['湖北:现货价:棉花'], label='湖北') plt.plot(df['浙江:现货价:棉花'], label='浙江') plt.plot(df['安徽:现货价:棉花'], label='安徽') plt.plot(df['重庆:现货价:棉花'], label='重庆') plt.plot(df['辽宁:现货价:棉花'], label='辽宁') plt.plot(df['北京:现货价:棉花'], label='北京') plt.plot(df['陕西:现货价:棉花'], label='陕西') plt.plot(df['山西:现货价:棉花'], label='山西') plt.plot(df['中国棉花价格指数:328'], label='中国棉花价格指数:328') plt.plot(df['中国棉花价格指数:229'], label='中国棉花价格指数:229') plt.plot(df['中国棉花价格指数:527'], label='中国棉花价格指数:527') plt.legend(loc='upper left', prop=font) plt.xlabel('时间', fontproperties=font) plt.ylabel('价格', fontproperties=font) plt.title('各地棉花现货价格趋势', fontproperties=font) plt.show()
绘制了各个地区棉花现货价格趋势图。首先使用matplotlib.pyplot库的figure()函数创建一个大小为15*8的绘图空间，然后使用plot()函数将各地棉花现货价格数据绘制到同一张图表上，并为每个数据系列添加了标签和线条颜色。最后添加图例、横纵坐标标题和图表标题，并调用show()函数显示图表。
train = df.iloc[:-10, :] test = df.iloc[-10:, :]
将读取的数据集拆分成前面的训练集和后面的测试集。这里将DataFrame对象转换为了numpy数组，并使用“最后10个数据”作为测试集，“除了最后10个数据以外的数据”作为训练集。
X_train = train.drop('中国棉花价格指数:527', axis=1) y_train = train['中国棉花价格指数:527'] X_test = test.drop('中国棉花价格指数:527', axis=1) y_test = test['中国棉花价格指数:527']
通过drop()函数删除’target’列，获取输入和输出数据。在这里输入数据由除了中国棉花价格指数:527以外的数据组成，而输出数据只包含中国棉花价格指数:527这一列。
svr = SVR(kernel='rbf', C=10, gamma='auto') svr.fit(X_train, y_train) rf = RandomForestRegressor(n_estimators=100, random_state=0, criterion='mse', max_depth=None, min_samples_split=2, min_samples_leaf=1, max_features='auto', bootstrap=True, n_jobs=-1) rf.fit(X_train, y_train) knn = KNeighborsRegressor(n_neighbors=5, weights='distance') knn.fit(X_train, y_train) lr = LinearRegression() lr.fit(X_train, y_train)
定义了四个回归模型（支持向量回归、随机森林回归、线性回归和K-最近邻回归），并使用fit()函数基于训练集数据对这些模型进行训练。参数的设置需要根据实际情况和调参结果来进行调整。
svr_pred = svr.predict(X_test) rf_pred = rf.predict(X_test) knn_pred = knn.predict(X_test) lr_pred = lr.predict(X_test)
使用 predict() 函数对测试集进行预测，得到四个回归模型的预测值。
plt.figure(figsize=[15,8]) plt.plot(test['中国棉花价格指数:527'].values, label='实际值') plt.plot(svr_pred, label='支持向量回归') plt.plot(rf_pred, label='随机森林回归') plt.plot(knn_pred, label='K-最近邻回归') plt.plot(lr_pred, label='线性回归') plt.legend(loc='upper left', prop=font) plt.xlabel('时间', fontproperties=font) plt.ylabel('价格', fontproperties=font) plt.title('不同算法的中国棉花价格指数预测', fontproperties=font) plt.show()
将四种回归模型的预测结果与实际值一起绘制成图表，以便于对预测结果进行比较和评估。其中实际值来自测试集中的数据。
完整代码
# 导入必要的库 import pandas as pd import numpy as np import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties # 创建字体对象 font = FontProperties(fname='PingFang Bold.ttf') # from matplotlib.font_manager import FontProperties # pd.set_option('display.max_rows', None) # 显示所有行 # pd.set_option('display.max_columns', None) # 显示所有列 # 读取数据 df = pd.read_excel('中国各地现货棉花价格.xlsx') # 将时间戳字段转换为 datetime 类型 df['指标名称'] = pd.to_datetime(df['指标名称']) # 设定时间戳为数据索引 df.set_index('指标名称', inplace=True) # 使用缺失值前向填充方法填充缺失值 df.fillna(method='ffill', inplace=True) # 查看数据框结构 # print(df) # 绘制每个地区的棉花价格 plt.figure(figsize=[15,8]) plt.plot(df['新疆:现货价:棉花'], label='新疆') plt.plot(df['中国:现货价:平均价:棉花'], label='中国') plt.plot(df['山东:现货价:棉花'], label='山东') plt.plot(df['河南:现货价:棉花'], label='河南') plt.plot(df['江苏:现货价:棉花'], label='江苏') plt.plot(df['河北:现货价:棉花'], label='河北') plt.plot(df['湖北:现货价:棉花'], label='湖北') plt.plot(df['浙江:现货价:棉花'], label='浙江') plt.plot(df['安徽:现货价:棉花'], label='安徽') plt.plot(df['重庆:现货价:棉花'], label='重庆') plt.plot(df['辽宁:现货价:棉花'], label='辽宁') plt.plot(df['北京:现货价:棉花'], label='北京') plt.plot(df['陕西:现货价:棉花'], label='陕西') plt.plot(df['山西:现货价:棉花'], label='山西') plt.plot(df['中国棉花价格指数:328'], label='中国棉花价格指数:328') plt.plot(df['中国棉花价格指数:229'], label='中国棉花价格指数:229') plt.plot(df['中国棉花价格指数:527'], label='中国棉花价格指数:527') plt.legend(loc='upper left', prop=font) plt.xlabel('时间', fontproperties=font) plt.ylabel('价格', fontproperties=font) plt.title('各地棉花现货价格趋势', fontproperties=font) plt.show() # 划分数据集 train = df.iloc[:-10, :] test = df.iloc[-10:, :] # 支持向量回归 from sklearn.svm import SVR X_train = train.drop('中国棉花价格指数:527', axis=1) y_train = train['中国棉花价格指数:527'] X_test = test.drop('中国棉花价格指数:527', axis=1) y_test = test['中国棉花价格指数:527'] # svr = SVR(kernel='poly', C=100, gamma='auto', degree=3, epsilon=.1, coef0=1) # svr.fit(X_train, y_train) # # # # 随机森林回归 # from sklearn.ensemble import RandomForestRegressor # # rf = RandomForestRegressor(n_estimators=10, random_state=0) # rf.fit(X_train, y_train) # # # 线性回归 from sklearn.linear_model import LinearRegression lr = LinearRegression() lr.fit(X_train, y_train) # # # K-最近邻回归 # from sklearn.neighbors import KNeighborsRegressor # # knn = KNeighborsRegressor(n_neighbors=2) # knn.fit(X_train, y_train) svr = SVR(kernel='rbf', C=10, gamma='auto') svr.fit(X_train, y_train) # 随机森林回归 from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor(n_estimators=100, random_state=0, criterion='friedman_mse', max_depth=None, min_samples_split=2, min_samples_leaf=1, max_features='auto', bootstrap=True, n_jobs=-1) rf.fit(X_train, y_train) # K-最近邻回归 from sklearn.neighbors import KNeighborsRegressor knn = KNeighborsRegressor(n_neighbors=5, weights='distance') knn.fit(X_train, y_train) # 预测 svr_pred = svr.predict(X_test) rf_pred = rf.predict(X_test) lr_pred = lr.predict(X_test) knn_pred = knn.predict(X_test) # print(test['中国棉花价格指数:527'].values) # 展示预测结果 plt.figure(figsize=[15,8]) plt.plot(test['中国棉花价格指数:527'].values, label='实际值') plt.plot(svr_pred, label='支持向量回归') plt.plot(rf_pred, label='随机森林回归') plt.plot(lr_pred, label='线性回归') plt.plot(knn_pred, label='K-最近邻回归') plt.legend(loc='upper left', prop=font) plt.xlabel('时间', fontproperties=font) plt.ylabel('价格', fontproperties=font) plt.title('不同算法的中国棉花价格指数预测', fontproperties=font) plt.show()
附件
链接: https://pan.baidu.com/s/1qa99ntHsozgqB2xliVYd7A 提取码: sp9h
–来自百度网盘超级会员v6的分享
