时间序列不能用train_test_split随机切分，必须采用时间感知切分以避免未来信息泄露；timeseriessplit支持前向滚动但不支持gap，需手动实现固定窗口、gap和horizon的切分逻辑，并确保特征工程在每个fold内独立完成。
时间序列不能用 train_test_split 随机切分
直接调用 train_test_split 会打乱时间顺序，导致未来信息泄露到训练集——这是时间序列建模最典型的错误。模型在训练时“看到”了未来的值，验证结果完全不可信。
正确做法是使用时间感知的切分方式：训练集必须严格早于验证集，且每次验证窗口向前滚动。Scikit-learn 提供了 TimeSeriesSplit，但它默认只做“前向滚动”，不支持带 gap 的留出（比如预测下一周，需预留 7 天不参与训练）。
-
TimeSeriesSplit的n_splits控制切分次数，但实际每个 fold 的训练集长度递增，验证集固定为一段连续尾部 - 若需固定训练窗口长度（如永远只用最近 365 天训练），得手动实现，不能依赖
TimeSeriesSplit默认行为 - 注意：它不检查数据索引是否为
DatetimeIndex，传入无序或非时间索引不会报错，但结果错得隐蔽
用 TimeSeriesSplit 做基础滚动验证
适用于趋势平稳、无需 gap、目标是评估模型随时间推移的泛化能力场景。例如：用过去每天的销量预测次日销量，滚动评估 12 个月表现。
from sklearn.model_selection import TimeSeriesSplit from sklearn.ensemble import RandomForestRegressor <p>tscv = TimeSeriesSplit(n_splits=5) model = RandomForestRegressor()</p><p>for train_idx, val_idx in tscv.split(X): X_train, X_val = X.iloc[train_idx], X.iloc[val_idx] y_train, y_val = y.iloc[train_idx], y.iloc[val_idx] model.fit(X_train, y_train) score = model.score(X_val, y_val) # 注意：这里用 R²，按需替换为 MAE/MSE</p>
- 确保
X和y是按时间升序排列的DataFrame或numpy数组 -
TimeSeriesSplit返回的是整数索引，不是时间戳，别试图用.loc直接索引 - 验证集大小不一致：早期 fold 的验证集可能极小（比如第 1 次只验证 1 个样本），影响分数可比性
需要 gap 时必须手写切分逻辑
真实业务中常需“训练-验证-预测”分离：比如用 T-365~T-1 训练，验证 T，预测 T+1~T+7。此时 TimeSeriesSplit 无法设置验证集与训练集之间的空档（gap），也不能控制预测步长（horizon）。
Python 3.14.2是Python编程语言在2025年12月5日发布的稳定版本，属于3.14系列的第二个维护更新。该版本包含了18项修复，重点解决了多进程、数据类及正则表达式等模块的回归问题，并修复了CVE-2025-12084等安全漏洞。此版本标志着自由线程模式（移除GIL）正式获得官方支持，是Python发展的重要里程碑。
推荐用函数封装：
def time_series_train_val_split(X, y, train_days=365, val_days=30, gap_days=0, horizon=7):
split_point = len(X) - val_days - gap_days - horizon
train_end = split_point
val_start = train_end + gap_days
val_end = val_start + val_days
pred_start = val_end
pred_end = pred_start + horizon
return (
X.iloc[:train_end], y.iloc[:train_end],
X.iloc[val_start:val_end], y.iloc[val_start:val_end],
X.iloc[pred_start:pred_end], y.iloc[pred_start:pred_end]
)
-
gap_days是训练结束到验证开始之间的天数（防止数据漂移污染） -
horizon是预测长度，和验证集长度（val_days）可不同；验证集用于模型选择，预测集用于最终评估 - 该函数不处理日期对齐（如周末/节假日），需提前在
X索引中确保连续或插值
特征工程必须在每个 fold 内独立做
时间序列特征（如滑动均值、滞后项、周期编码）如果在全量数据上拟合再 transform，会导致未来信息泄露。例如用全局 StandardScaler fit 全体数据，再 scale 每个 fold，验证集的缩放参数就来自未来。
- 滞后特征（
y.shift(1)）本身安全，因只依赖历史，但要确保 shift 后没引入 NaN 导致对齐错位 - 滚动统计（
X['price'].rolling(7).mean()）必须在每个 fold 的训练子集上单独计算，不能提前算好再切分 - 时间特征（小时、星期几、是否节假日）可全局生成，因不依赖目标变量，但编码（如 one-hot）若含频次统计，也需 fold 内完成
最容易被忽略的是：哪怕只做标准化，也要在每个 fit 前重新初始化 StandardScaler，并在该 fold 的训练数据上 fit_transform，验证/预测数据仅 transform。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
