#!/usr/bin/env python
# coding: utf-8
# In[1]:
import numpy as np # 导入numpy库
import matplotlib.pyplot as plt # 导入matplotlib库，用于绘图
import pandas as pd # 导入pandas库，用于数据处理和分析
from sklearn import preprocessing # 导入preprocessing模块，用于数据预处理
from sklearn.metrics import mean_squared_error # 导入均方根误差函数
from math import sqrt # 导入sqrt函数，用于计算平方根
from sklearn.neural_network import MLPRegressor # 导入MLPRegressor类，用于多层感知器回归模型
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 导入评估指标函数
import math # 导入math库
from numpy import concatenate # 导入concatenate函数，用于数组拼接
# In[3]:
feanum = 1 # 特征数量
window = 5 # 窗口大小
Ra = 0.8 # 训练集所占比例
#更多模型咸鱼搜索机器学习之心，支持模型定制
df1 = pd.read_csv('焦作.csv', usecols=[1]) # 从CSV文件中读取数据，仅使用第二列数据
train_d, test_d = df1[0:int(len(df1)*Ra)], df1[int(len(df1)*Ra):] # 将数据集划分为训练集和测试集
#更多模型咸鱼搜索机器学习之心，支持模型定制
# In[3]:
min_max_scaler = preprocessing.MinMaxScaler() # 创建MinMaxScaler对象
df0 = min_max_scaler.fit_transform(df1) # 对df1进行归一化处理
df = pd.DataFrame(df0, columns=df1.columns) # 将归一化后的数据转换为DataFrame，列名与df1保持一致
#更多模型咸鱼搜索机器学习之心，支持模型定制
# In[4]:
stock = df # 将归一化后的DataFrame赋值给stock
seq_len = window # 设置序列长度为window
amount_of_features = len(stock.columns) # 获取列数，即特征数量
data = stock.values # 将DataFrame转换为矩阵，即将stock的值提取出来
sequence_length = seq_len + 1 # 序列长度加1
result = []
for index in range(len(data) - sequence_length): # 循环 len(data) - sequence_length 次
result.append(data[index: index + sequence_length]) # 将每个窗口大小为sequence_length的数据段添加到result中
result = np.array(result) # 将result转换为NumPy数组
#更多模型咸鱼搜索机器学习之心，支持模型定制
cut = len(test_d) # 定义切割点，即测试集的长度
train = result[:-cut, :] # 切割训练集，取前面的部分作为训练集
x_train = train[:, :-1] # 训练集的特征部分，即除最后一列外的所有列
y_train = train[:, -1][:, -1] # 训练集的目标值，即最后一列的最后一个元素
x_test = result[-cut:, :-1] # 测试集的特征部分，即除最后一列外的所有列
y_test = result[-cut:, -1][:, -1] # 测试集的目标值，即最后一列的最后一个元素
X_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], amount_of_features)) # 将x_train的形状调整为(样本数量, 时间步长, 特征数量)
X_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], amount_of_features)) # 将x_test的形状调整为(样本数量, 时间步长, 特征数量)
# In[5]:
X_train = X_train.reshape(len(X_train), window) # 将X_train的形状调整为(样本数量, 窗口大小)
y_train = y_train.reshape(len(X_train)) # 将y_train的形状调整为(样本数量,)
X_test = X_test.reshape(cut, window) # 将X_test的形状调整为(样本数量, 窗口大小)
y_test = y_test.reshape(cut) # 将y_test的形状调整为(样本数量,)
# In[6]:
clf = MLPRegressor(max_iter=100, hidden_layer_sizes=(150)) # 创建一个MLPRegressor对象，设置最大迭代次数为100，隐藏层大小为150
#更多模型咸鱼搜索机器学习之心，支持模型定制
model = clf.fit(X_train, y_train) # 使用训练数据X_train和标签y_train拟合模型
#更多模型咸鱼搜索机器学习之心，支持模型定制
# In[7]:
#在训练集上的拟合结果
y_train_predict=model.predict(X_train)
#在测试集上的预测
y_test_predict=model.predict(X_test)
# In[8]:
X = pd.DataFrame(y_test) # 将y_test转换为DataFrame，并将其赋值给变量X
Y = pd.DataFrame(y_test_predict) # 将y_test_predict转换为DataFrame，并将其赋值给变量Y
X = min_max_scaler.inverse_transform(X) # 使用min_max_scaler对X进行逆标准化
Y = min_max_scaler.inverse_transform(Y) # 使用min_max_scaler对Y进行逆标准化
# In[9]:
testScore = math.sqrt(mean_squared_error(X, Y)) # 计算X和Y之间的均方根误差（RMSE）
print('RMSE为：%.3f ' %(testScore)) # 打印RMSE的值
#更多模型咸鱼搜索机器学习之心，支持模型定制
testScore = mean_absolute_error(X, Y) # 计算X和Y之间的平均绝对误差（MAE）
print('MAE为：%.3f ' %(testScore)) # 打印MAE的值
testScore = r2_score(X, Y) # 计算X和Y之间的R平方值（R2）
print('R2为：%.3f ' %(testScore)) # 打印R2的值
# In[10]:
plt.figure(figsize=(10, 4), dpi=150) # 创建一个图形窗口，设置图形的尺寸为宽度10英寸，高度4英寸，dpi为150
plt.plot(X, label="Actual", color='red', linewidth=4) # 绘制实际值曲线，设置线条颜色为红色，线宽为4
plt.plot(Y, color='blue', label='Prediction', linewidth=2.5, linestyle="--") # 绘制预测值曲线，设置线条颜色为蓝色，线宽为2.5，线型为虚线
plt.title('Prediction', size=15) # 设置图表的标题为'Prediction'，字体大小为15
plt.ylabel('AQI', size=15) # 设置y轴的标签为'AQI'，字体大小为15
plt.xlabel('time/day', size=15) # 设置x轴的标签为'time/day'，字体大小为15
plt.legend() # 显示图例
plt.show() # 显示图形
# In[ ]:
