计算每个财政年度（7月16日至次年7月15日）和地区每列的最小值、最大值和平均值。* （然后您可以选择要使用的列。）*

df = pd.read_csv('climate_data.csv').drop(columns=['LON', 'LAT'])
df.DATE = pd.to_datetime(df.DATE)
df['year'] = df.DATE.dt.year
df.loc[(df.DATE.dt.month > 7) | ((df.DATE.dt.month == 7) & (df.DATE.dt.day > 15)), 'year'] += 1
df.year = df.DATE.dt.year.astype(str) + '/' + (df.DATE.dt.year + 1).astype(str)
df = (
    df.drop(columns='DATE')
    .set_index(['year', 'DISTRICT'])
    .groupby(['year', 'DISTRICT'])
    .agg(['mean', 'min', 'max'])
)
df.columns = ['_'.join(col).strip() for col in df.columns.values]  # flatten multicolumns

加载产量数据并将其格式化以匹配气候数据：

df2 = pd.read_csv('NepalAgriStats_Cereal.csv').drop(columns='DISTRICT_CODE').rename(columns={'DISTRICT_NAME': 'year'}).set_index('year').T
df2['product'] = df2.index.map(get_product)
df2['stats_type'] = df2.index.map(get_stats_type)
df2.index = df2.index.map(get_year)
df2 = (
    df2.reset_index()
    .rename(columns={'index': 'year'})
    # get each district, yearm product and stats_type in seperate rows
    .melt(id_vars=['year', 'product', 'stats_type'], var_name='DISTRICT', value_name='yield')
    # pivot to get stats_type as columns
    .pivot_table(index=['year', 'DISTRICT', 'product'], columns='stats_type', values='yield')
    .reset_index('product')
)
df2.columns = df2.columns.values  # flatten multicolumns

上面的代码使用了以下函数：

def get_product(col):
    return {
        'PD': 'Paddy',
        'WT': 'Wheat',
        'MZ': 'Maize',
        'ML': 'Millet',
        'BL': 'Barley',
        'BW': 'BW'
    }[col.split('_')[0]]

def get_stats_type(col):
    return {
        'P': 'Production',
        'A': 'Area',
        'Y': 'Yield',
    }[col.split('_')[1]]

def get_year(col):
    year = col.split('_')[2][:4]
    return f'{year}/{int(year) + 1}'

最后，将气候数据与产量数据结合起来：

dataset = df.join(df2, how='inner').set_index('product', append=True)

• 最终数据集包含每个***财政年度***、地区***和 * 产品 * 的目标变量***面积、产量***和***产量，以及***气候变量***的***平均值***、最小值***和***最大值。

你可能并不需要所有的气候变量，所以只要放弃那些你不想要的。
你也可能只关心***一个特定的产品***。
例如，如果您只对***小麦***感兴趣，您可以通过以下方式删除其他***产品***：

dataset = dataset.loc[pd.IndexSlice[:, :, 'Wheat'], :]

或者你可能只关心***所有产品的总和***。如果是，请在与***气候数据***合并之前添加此行

df2 = df2.groupby(['year', 'DISTRICT']).sum(numeric_only=True)

并删除/注解掉以下内容：

dataset = df.join(df2, how='inner')#.set_index('product', append=True)

• 如果您正在预测产量，您将需要分离数据集，以便训练集和验证/测试集在时间上不会重叠。
• 你还需要规范化你的变量。
• 对于您的预测变量 （来自气候数据），是否需要这将取决于您选择的模型，即对于基于树的模型，您可能不需要它，但这并没有什么坏处。
• 对于您的目标变量，您需要根据训练集中的数据对每个地区的变量进行归一化。我的意思是，对于每个地区，您计算训练集的平均收益率，并将训练集和验证/测试集上的目标变量除以这个/那些数字。然后，当您使用模型进行推理时，您将输出乘以相同的数字。* （这是一般来说，可能有一些不需要的方法，但这是你通常想要的。