Подбор моделей с многовариантными данными временных рядов

Question

Мой главный вопрос - как сделать данные формы подходящими для данных разных временных рядов на модели.Мой текущий код выглядит примерно так:

def diff_stats_mod (X_train, X_test, y_train, y_test):
    ################init########################
    score_dict = {}
    n=0

    ################Create a list of models to evaluate################
    models, names = list(), list()

    models.append(LogisticRegression())
    names.append('LR')

    models.append(DecisionTreeClassifier())
    names.append('DTC')

    models.append(SVC())
    names.append('SVM')

    models.append(RandomForestClassifier())
    names.append('RF')

    models.append(GradientBoostingClassifier())
    names.append('GBM')

    ################evaluate models################
    for i in range(len(models)):
        model = models[i]
        model.fit(X_train, y_train)
        pred = model.predict(X_test)
        not_include = 0

        ###############Ensure that the prediction is not all positive or all neg###############
        while len(set(pred)) == 1:
            model = models[i]
            model.fit(X_train, y_train)
            pred = model.predict(X_test)
            if n == 10:
                not_include = 1
                break
            n+=1

        ###############Exclude all models whos predictions are off the same class only###############
        if not_include != 1:
            confu_mat = confusion_matrix(y_test, pred)
            fb_score = fbeta_score(y_test, pred, 0.9) * 100
            score_dict['{}'.format(names[i])] = fb_score
            score_dict['{} confusion matrix'.format(names[i])] = confu_mat

        else:
            fb_score = NaN
            score_dict['{}'.format(names[i])] = fb_score

    ################try a range of k values################
    for k in range(1, 11):
        ################Load and evaluate knn models################
        not_include = 0

        model = KNeighborsClassifier(n_neighbors=k)
        model.fit(X_train, y_train)
        pred = model.predict(X_test)

        ###############Ensure that the prediction is not all positive or all neg###############
        while len(set(pred)) == 1:
            model = KNeighborsClassifier(n_neighbors=k)
            model.fit(X_train, y_train)
            pred = model.predict(X_test)
            if n == 10:
                not_include = 1
                break
            n += 1

        ###############Exclude all models whos predictions are off the same class only###############
        if not_include != 1:
            confu_mat = confusion_matrix(y_test, pred)
            fb_score = fbeta_score(y_test, pred, 0.9) * 100
            score_dict['KNN{}'.format(k)] = fb_score
            score_dict['KNN{} confusion matrix'.format(k)] = confu_mat

        else:
            fb_score = NaN
            score_dict['KNN{}'.format(k)] = fb_score

    return score_dict

По сути, эта функция возвращает оценку fbeta каждой модели в наборе тестов.Он будет повторно обучать модели, которые дают прогноз для одного и того же класса (до десяти раз), и если после десяти раз эта конкретная модель по-прежнему выводит все прогнозы как один и тот же класс, она исключает его.

Это фрагмент моих данных:

time_stamp          pxID    act                 hr
2015-06-06 17:00:00 7983    8.466666666666667   97.46555633544922
2015-06-06 17:30:00 7983    10.413333333333332  99.16444473266601
2015-06-06 18:00:00 7983    5.400000000000001   94.62666702270508
2015-06-06 18:30:00 7983    14.759999999999998  95.76777776082356
2015-06-06 19:00:00 7983    17.026666666666667  100.43111089070638
2015-08-04 10:30:00 8005    4.774020720186061   18.555715289243377
2015-08-04 11:00:00 8005    7.1056325549244574  20.01443100917877
2015-08-04 11:30:00 8005    9.088101464843694   24.019171214407546
2015-08-04 12:00:00 8005    4.32230745513258    20.9444548661983
2015-08-04 12:30:00 8005    4.464612178539353   18.433279992371574
2015-08-16 19:00:00 8026    1.4452551387583383  9.943809217794078
2015-08-16 19:30:00 8026    2.7265866427381216  13.206866297538518
2015-08-16 20:00:00 8026    2.2795014957992974  9.11883132666883
2015-08-16 20:30:00 8026    1.536946186246722   10.04255596582319
2015-08-16 21:00:00 8026    2.0673098515634667  9.219173212211949

В основном, существует множество идентификаторов и замечаний.Когда я пытался передать эти данные в модели, произошла ошибка, связанная с измерением данных.Я знаю, что такие модели, как логистическая регрессия, могут принимать многомерные входные данные, но я не уверен, как отформатировать входные данные для этого, и я не уверен, какие аргументы мне нужно включить в LogisticRegression и другие модели, чтобы он мог обрабатывать многомерные данные,Для этой проблемы классификации я хотел бы использовать данные HR и Act.

Я не понимаю, как решить эту проблему, поскольку я привык работать с данными, где каждая строка отражает одно наблюдение.Однако эти данные показывают, что несколько строк отражают одно наблюдение.

Мой главный вопрос здесь: Как мне отформатировать мои данные, которые будут использоваться в качестве входных данных для моделей SKlearn?