Datawhale AI 夏令营——市场博弈和价格预测

比赛目标

electricity price.csv 文件中存放了2021年12月1日到2024年4月18日的电力市场的市场出清价格（clearing price）和市场需求（demand）。 

训练集范围为2021年12月1日到2023年7月1日，共计55392个点；测试集范围为2023年7月1日到2024年4月18日，共计28228个点。

unit.csv 文件中存放了市场供给者的参数信息。

我们的任务就是根据市场预测出测试集的出清价格。

评价指标如下：

ABM（Agent-Based-Modeling）

通过模拟个体（Agent）的行为和相互作用来研究整体的动态变化。

1.导入库

import numpy as np
import pandas as pd
from pathlib import Path
from sklearn.linear_model import LinearRegression

2.预处理 

读取数据，把两个文件中的内容读取到两个变量中，即electricity_price和unit

base_path = Path("data")  # 确保数据都放在同级的data目录下

# 读取市场数据
electricity_price = pd.read_csv(base_path / "electricity price.csv")
# 读取市场主体（各发电机组）数据
unit = pd.read_csv(base_path / "unit.csv")

 我们最终要提交的是测试集的出清价格，把它保存到submit.csv文件中，格式如下

准备提交示例文件，筛选出源文件electricity_price中的测试集，然后把demand列删去，就可以得到上面的submit.csv提交格式。

"""
准备示例提交数据sample_submit
1. electricity_price["clearing price (CNY/MWh)"].isna()找到出清价格为缺失值的行，即要预测的目标
2. 去除demand列，符合最后的提交格式 
"""

sample_submit = electricity_price[electricity_price["clearing price (CNY/MWh)"].isna()].drop(columns="demand")
sample_submit.to_csv(base_path / "sample_submit.csv", index=False)

因为源文件中测试集2023年7月1日到2024年4月18日的出清价格为空，所以可以用pd.DataFrame.isna()方法，检查DataFrame中的缺失值（NaN），返回一个布尔值的DataFrame，其中True表示缺失值。electricity_price[electricity_price["clearing price (CNY/MWh)"].isna()]，True的位置数据被保留，False的数据会被过滤，即获取electricity_price中的测试集。

再使用pd.DataFrame.drop()删除DataFrame中的指定列或行。这里就是.drop(columns="demand")把demand列删除。