时序数据必须用TimeSeriesSplit或自定义滚动窗口划分，因随机分割会泄露未来信息；TimeSeriesSplit递增累积训练集，测试集恒在训练集后；真实场景需手动实现固定窗长滚动切分，并确保每折独立标准化与特征工程。
时序数据不能用普通 train_test_split 或 KFold
因为时序数据有严格的时间依赖性，随机打乱或等分折叠会泄露未来信息。比如用 2023 年的数据训练，却在验证时混入了 2022 年的“未来”样本（实际是倒序时间点），模型评估结果会严重虚高。标准的 sklearn.model_selection.KFold 和默认 train_test_split 都不满足这个约束。
必须用 TimeSeriesSplit，且注意 n_splits 含义和窗口行为
TimeSeriesSplit 是 sklearn 提供的唯一原生支持时序划分的交叉验证器，但它不是按“等长滑动窗口”切分，而是递增式累积训练集：
- 第 1 折：训练集 = 前 1 份，测试集 = 第 2 份
- 第 2 折：训练集 = 前 2 份，测试集 = 第 3 份
- ……直到第
n_splits折：训练集 = 前n_splits份，测试集 = 第n_splits + 1份
这意味着它默认不重叠、不回滚，且测试集永远在训练集之后。若想控制最小训练长度或步长，需手动封装 —— TimeSeriesSplit 本身不支持 gap 或 max_train_size 参数（这些只在 sklearn 1.4+ 的 GapLeavePGroupsOut 等变体中出现，但不适用于纯时序 CV）。
真实场景中常需自定义滚动/扩张窗口逻辑
例如金融预测或 IoT 设备监控，往往要求：固定训练窗口（如最近 30 天）、固定测试长度（如 7 天）、每次向前滚动 1 天。这时 TimeSeriesSplit 无法直接满足，得手写循环：
立即学习“Python免费学习笔记（深入）”；
from sklearn.model_selection import TimeSeriesSplit import numpy as np <h1>假设 X, y 按时间顺序排列，索引为日期</h1><p>def rolling_window_cv(X, y, train_days=30, test_days=7, step=1): n = len(X) start = 0 while start + train_days + test_days <= n: train_idx = slice(start, start + train_days) test_idx = slice(start + train_days, start + train_days + test_days) yield X.iloc[train_idx], y.iloc[train_idx], X.iloc[test_idx], y.iloc[test_idx] start += step</p>
关键点：
- 务必用
.iloc而非.loc，避免因索引非连续或含重复时间戳导致错位 - 如果原始数据索引是
DatetimeIndex，先用reset_index(drop=True)再切片更稳妥 - 评估指标（如
mean_absolute_error）需在每个折单独计算，最后取均值，不能把所有预测拼起来再算 —— 否则会混淆不同时间尺度下的误差分布
别忽略特征工程的时间一致性
交叉验证期间最容易出错的是在每折内重复做全局标准化（如用全部数据的 mean 和 std 去 fit StandardScaler）。正确做法是：每折训练前，仅用当前训练集拟合 scaler，再 transform 训练集和测试集。
- 错误：
scaler.fit(X)放在循环外 → 泄露整体分布 - 正确：
scaler.fit(X_train); X_train_scaled = scaler.transform(X_train); X_test_scaled = scaler.transform(X_test) - 同理适用于滞后特征（
shift()）、滚动统计（rolling().mean()）—— 所有依赖历史数据的变换，都必须限制在训练窗口内完成，测试部分不可参与任何统计量计算
这点比 CV 划分本身更容易导致过拟合评估，但调试时很难察觉。
