Datawhale AI夏令营task2：市场博弈和价格预测的代码理解和模型优化

本次主要针对“电力现货市场”（可以类比证券交易市场），泛指短时间内的电能量交易市场。出清价格由于各种因素导致难以预测，所以建模这些机组在报价上的博弈行为，使最终模拟的市场出清报价接近现实中的市场出清价格。

1.导入必要库：numpy用于矩阵运算、pandas用于表格处理、pathlib主要用于文件路径处理、sklearn用于机器学习算法。

原来代码使用的是线性回归，通过查阅资料，我尝试采用决策树回归的方式，加入决策树回归所需要的代码。

2.读取数据：这里我们主要用了如下几个方法

• pd.DataFrame.isna()：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。

• pd.DataFrame.drop() ：删除DataFrame中的指定列或行，columns为需要删除的列的名称，这里为 "demand"

3.构建时间序列DataFrame

这行代码的作用是将day和time列合并成日期时间格式，并且将"24:00:00"时间转换为"00:00:00"，以确保时间的正确性。然后将合并后的字符串转换为pandas的datetime类型，并赋值给electricity_price DataFrame的timestamp列

• .head(): 这是一个方法，用于返回 DataFrame 的前 n 行，如果不指定参数，默认情况下 n 为 5。这时候显示机组前五组

4.按边际成本从低到高依次成交

这段Python代码是使用pandas库对一个名为unit的DataFrame按照"coal consumption (g coal/KWh)"列的值进行升序排序，并存储排序后的结果到变量sorted_unit

• sorted_unit['cumulative_capacity'] = sorted_unit['Capacity（MW）'].cumsum(): 这行代码计算sorted_unit DataFrame中'Capacity（MW）'列的累积和，并将结果赋值给新列'cumulative_capacity'。累积和是当前行之前所有行的总和，这通常用于表示在某个点之前所有机组的总容量。

• prices = []: 这行代码初始化一个空列表prices，用于存储不同需求水平下的电力价格。

• for demand in electricity_price["demand"]: 这是一个循环，遍历electricity_price DataFrame中的'demand'列，即不同时间点的电力需求。

• price = sorted_unit[sorted_unit['cumulative_capacity'] >= demand]["coal consumption (g coal/KWh)"].iloc[0]: 在循环内部，这行代码找到第一个'cumulative_capacity'大于或等于当前需求demand的机组，并获取该机组的'coal consumption (g coal/KWh)'列的值作为价格。这里假设电力市场是按照边际成本定价的，即最后一个满足需求的机组的成本决定了电力价格。

• prices.append(price): 将计算出的价格添加到prices列表中。

• print(len(prices)): 打印出prices列表的长度，即不同需求水平下的电力价格的数量。

• prices[:5]: 显示prices列表的前五个元素，即前五个需求水平下的电力价格。

5.转换报价到现实市场出清价格

对于预测电力市场中的清算价格，使用决策树回归模型，更改掉线性回归，使得最后结果有少许上升。

• model = DecisionTreeRegressor(): 这行代码创建了一个决策树回归模型的实例，用于预测数值型的目标变量。

• train_length = 55392: 这行代码定义了训练数据的长度，即用于训练模型的数据点数量。

• prices = np.array(prices).reshape(-1, 1): 将prices列表转换为NumPy数组，并将其重塑为二维数组，其中-1表示自动计算行数，以确保只有一个特征列。

• X = prices[:train_length]: 选择前train_length个价格数据作为特征集X。

• y = electricity_price["clearing price (CNY/MWh)"].iloc[:train_length].values.reshape(-1, 1): 从electricity_price DataFrame中选择前train_length个清算价格数据，将其转换为NumPy数组，并重塑为二维数组，作为目标变量y。

• model.fit(X, y): 使用特征集X和目标变量y训练决策树回归模型。

• y_pred = model.predict(prices[train_length:]): 使用训练好的模型对剩余的价格数据进行预测，生成预测的清算价格y_pred。

• y_pred = y_pred.flatten(): 将预测结果从二维数组转换为一维数组，以便于查看和使用。

• y_pred[:5]: 打印预测结果的前五个值，用于快速检查模型的预测效果

本次运行由于采用决策树回归预测出清价格，使得结果有所优化。第一个是改变拟合方式得出的，第二个是原始的线性回归的拟合分数。

对于本次修改回归模型，有许多的报错，比如说

        这个就属于将训练集长度搞错导致运行不成功，还是粗心吧。通过这次的代码的学习让我学到了更多，下次学习学习如何更高的优化。