本文是對：

https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/

https://blog.csdn.net/iyangdi/article/details/77879232

兩篇博文的學習筆記，兩個博主筆風都很浪，有些細節一筆帶過，本人以謙遜的態度進行了學習和整理，筆記內容都在程式碼的註釋中。有不清楚的可以去原博主文中檢視。

資料集下載：https://raw.githubusercontent.com/jbrownlee/Datasets/master/pollution.csv

後期我會補上我的github
 

本節主要進行了幾種不同方式的資料的處理，有前面單變數文章的學習基礎，對這幾種資料處理方式就會比較瞭解，進行了資料的縮放（歸一化），轉換成有監督形的資料

# coding=utf-8
from pandas import read_csv
from pandas import DataFrame
from sklearn.preprocessing import MinMaxScaler
from pandas import concat
from sklearn.preprocessing import LabelEncoder


# 轉換成有監督資料
def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):  # n_in,n_out相當於lag
    n_vars = 1 if type(data) is list else data.shape[1]  # 變數個數
    df = DataFrame(data)
    print('待轉換資料')
    print(df.head())
    cols, names = list(), list()
    # 輸入序列(t-n. ... , t-1)
    for i in range(n_in, 0, -1):
        cols.append(df.shift(i))
        print('shift資料')
        print(cols[0][0:5])
        names += [('var%d(t-%d)' % (j + 1, i)) for j in range(n_vars)]
        print('names資料')
        print(names[0:5])
        # 預測序列(t, t+1, ... , t+n)
    for i in range(0, n_out):
        cols.append(df.shift(-i))
        if i == 0:  # t時刻
            names += [('var%d(t)' % (j + 1)) for j in range(n_vars)]
        else:
            names += [('var%d(t+%d)' % (j + 1, i)) for j in range(n_vars)]
    # 拼接
    agg = concat(cols, axis=1)
    print('拼接')
    print(agg[0:5])
    agg.columns = names
    # 將空值NaN行刪除
    if dropnan:
        agg.dropna(inplace=True)
    return agg


dataset = read_csv('data_set/air_pollution_new.csv', header=0, index_col=0)
values = dataset.values
print('原始資料')
print(values[0:5])


# 由於4列的風向是標籤，編碼成整數
encoder = LabelEncoder()  # 簡單來說 LabelEncoder 是對不連續的數字或者文字進行編號
values[:, 4] = encoder.fit_transform(values[:, 4])
print('標籤編碼')
print(values[0:5])

# 使所有資料是float型別
values = values.astype('float32')
# 資料歸一化
scaler = MinMaxScaler(feature_range=(0, 1))
scaled = scaler.fit_transform(values)
print('縮放')
print(scaled[0:5])

# 變成有監督
reframed = series_to_supervised(scaled, 1, 1)
print('有監督')
print(reframed[0:5])

# 刪除不預測的列
reframed.drop(reframed.columns[9:16], axis=1, inplace=True)
print('刪除不預測的列')
print(reframed.head())