本文讲解如何在具有时间依赖性的销售数据（如按日期排序的订单量与间隔天数）上，科学地应用线性回归模型：通过构造时序敏感特征、引入趋势变量、采用时序交叉验证，并对比树模型效果，避免传统随机划分导致的时序泄露。
本文讲解如何在具有时间依赖性的销售数据（如按日期排序的订单量与间隔天数）上，科学地应用线性回归模型：通过构造时序敏感特征、引入趋势变量、采用时序交叉验证，并对比树模型效果，避免传统随机划分导致的时序泄露。
线性回归本身假设样本独立同分布（i.i.d.），因此默认不关心数据顺序——这也是为何常规 train_test_split 会随机打乱样本。但您的场景中，invoice_date 明确构成时间轴，lag（相邻订单间隔）天然依赖历史行为（例如促销后订单密集导致 lag 缩短），此时强行“顺序输入”并非指让模型逐条递归预测，而是通过特征工程与验证机制，显式编码时间结构与依赖关系。
✅ 正确做法：用特征与验证还原时序逻辑
1. 构造时间感知特征（非简单使用原始 prod_quantity）
仅将 prod_quantity 作为唯一特征等同于忽略时间维度。应扩展为滞后特征与周期特征：
import pandas as pd
import numpy as np
# 确保按时间升序排列
df = df.sort_values('invoice_date').reset_index(drop=True)
# 添加趋势变量（行号，反映时间推进）
df['trend'] = np.arange(1, len(df) + 1)
# 添加周期性特征（捕捉季节性）
df['month'] = df['invoice_date'].dt.month
df['day_of_week'] = df['invoice_date'].dt.dayofweek
df['quarter'] = df['invoice_date'].dt.quarter
# 构造滞后量特征（关键！体现顺序依赖）
df['qty_lag_1'] = df['prod_quantity'].shift(1) # 前一笔订单量
df['qty_lag_3'] = df['prod_quantity'].shift(3) # 前三笔订单量
df['qty_rolling_mean_7'] = df['prod_quantity'].rolling(window=7).mean().shift(1) # 近7笔均值（需前置1步避免未来信息）
# 目标变量：lag（注意：lag[0] 无前序订单，通常为 NaN，需丢弃）
X = df.dropna(subset=['lag']).copy()
y = X['lag']
X_features = X[['qty_lag_1', 'qty_lag_3', 'qty_rolling_mean_7', 'trend', 'month', 'day_of_week']]⚠️ 注意：所有滞后特征必须用 .shift() 向下移动，确保训练时不使用“未来”信息；dropna() 清理因滞后产生的首若干行缺失值。
2. 严格使用时序交叉验证（TimeSeriesSplit）
避免 train_test_split(random_state=...) ——它会破坏时间因果性。改用 TimeSeriesSplit 或手动滚动窗口：
from sklearn.model_selection import TimeSeriesSplit
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error
tscv = TimeSeriesSplit(n_splits=5)
model = LinearRegression()
mae_scores = []
for train_idx, test_idx in tscv.split(X_features):
X_train, X_test = X_features.iloc[train_idx], X_features.iloc[test_idx]
y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]
model.fit(X_train, y_train)
pred = model.predict(X_test)
mae_scores.append(mean_absolute_error(y_test, pred))
print(f"CV MAE: {np.mean(mae_scores):.2f} ± {np.std(mae_scores):.2f}")3. 对比更适配时序的模型（可选增强）
线性回归对非线性关系和交互效应建模能力有限。建议同步尝试：
- XGBoost：天然支持特征重要性分析，能自动捕获 qty_lag_1 × month 类交互；
- Prophet 或 ARIMA：若 lag 序列自身呈现强自相关，可转向专用时序模型。
✅ 总结：顺序不是“喂数据的方式”，而是“建模的范式”
您不需要“让线性回归按顺序读取前200个 quantity”，而应：
- ✅ 将时间逻辑转化为可学习的特征（趋势、周期、滞后）；
- ✅ 用时序验证保障评估的真实性；
- ✅ 必要时升级为更鲁棒的时序模型。
这才是处理带时间戳业务数据的工程化正解。
