获取时间序列数据

df=pd.read_csv("C://global.csv")

探索数据

此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值

df.head(10)

这些数据是根据国家和地区报告新病例的数据，但我们只想预测国家的新病例，因此我们使用 groupby 根据国家对它们进行分组

总结数据

执行 groupby 以根据一个国家的新病例来汇总数据，而不是根据地区

d1=df.groupby(\['Country/Region'\]).sum()

描述随机选择的国家的累计新病例增长

from numpy.random import seed



    plt.plot(F\[i\], label = RD\[i\])

    plt.show()

# 我们不需要前两列

d1=d1.iloc\[:,2:\]

# # 检查是否有空值



d1.isnull().sum().any()

我们可以对每个国家进行预测，也可以对所有国家进行预测，这次我们对所有国家进行预测

dlycnmdcas.head()

dalycnfreces.index

dal\_cnre\_ces.index = pd.to\_datetime(dailyonfrmd\_as.index)

---

01

02

03

04

plt.plot(dalnimedases)

ne\_ces = daiy\_onme_as.diff().dropna().astype(np.int64)

newcaes

plt.plot(ne_s\[1:\])

nw_s.shape

(153,)

将数据拆分为训练和测试数据

ct=0.75

trin\_aa,tet\_aa = train\_test\_split(ne_ces, pct)

(116,)
``````
plt.plot(tainta)

plt.plot(tesata)

数据标准化

scaler = MinMaxScaler()

testa.shape

(38, 1)

创建序列

lentTe = len(ts_data)

for i in range(timmp, lenhTe):

    X\_st.append(tst\_aa\[i-tmStap:i\])

    y_tt.append(tesata\[i\])



X\_tet=np.array(X\_ts)

ytes=np.array(y_tt)

X_st.shape

Xtrn.shape

#  序列的样本 

X_trn\[0\], yran\[0\]

为股票价格预测设计 RNN 模型

模型：

1. LSTM

2. GRU

model.summary()

model.fit(X\_trn y\_rin, epochs=50, batch_size=200)

yprd = (mod.predict(X_test))

MSE = mean\_squared\_error(ytue, y_rd)



plt.figure(figsize=(14,6))

meRU= Sqtal(\[

                keras.layers.GRU(









model\_GRU.fit(Xtrn, ytin,epochs=50,batch\_size=150)

pe_rut = {}



y\_ue = (y\_et.reshape(-1,1))

y\_prd = (modlGU.predict(X\_test))

MSE = mean\_squared\_error(y_ue, ed)

用于预测新病例的机器学习算法

准备数据

d__in.shape

moel=LinearRegression(nos=-2)

ARIMA

COVID-19 新病例预测的自回归综合移动平均线

#我们不需要前两列

df1.head()

daly\_nfrd\_cses = df1.sum(axis=0)

day\_cnir\_ase.index = pd.to\_datetime(da\_onieses.index)

new_cs = dacofmecss.diff().dropna().astype(np.int64)



tri\_ta,tet\_ata = trintt\_it(nw\_es, pct)

ero = men\_squred\_eror(ts_ar, pricos)

plt.figure(figsize=(12,7))plt.plot(tanat)