确定活动前已知的信息

介绍

社区工作室需要在每场工作坊开始前七天准备材料。用活动后的扫码记录预测到场人数，结果可能十分漂亮，却无法服务这个截止时间。你将先建立简单基线，再判断真正的提前预测允许使用哪些行和列。

你需要掌握 Python 函数、基本终端输入、pandas 选择与连接，以及回归和训练集/测试集的入门概念。Python 和科学计算库已准备就绪。所有表格都是原创合成教学数据；这个小样本演示工作流程，不保证生产预测效果。55 分钟为作者估计，包含阅读和普通错误修正。

用人数衡量简单基线

本步中，你将用早期中位数预测两场后期工作坊，并理解平均绝对误差。

从 WebIDE 开始，打开 Terminal → New Terminal。编辑器与终端共享文件。cd 改变当前终端的工作目录；新终端需要单独执行 cd。

cd /home/labex/project/workshop-attendance

准备好的 ./python 启动器使用本课的 Python 环境。./ 表示“此目录中的可执行文件”。运行课程文件时请使用它，而非系统 Python。cat 显示文本文件而不修改文件。

cat warmup-early.csv

这个小练习中，三场早期活动的实际到场人数为 12、18、24。中位数是排序后居中的值，即 18 人。基线不使用活动特征，对每场后期活动都预测 18 人。

cat warmup-later.csv

后期实际人数为 L-7 的 20 人和 L-2 的 27 人。绝对误差分别为 abs(20 - 18) = 2 和 abs(27 - 18) = 9。平均绝对误差（MAE）是二者的平均值：(2 + 9) / 2 = 5.5 人。“平均误差 5.5 人”具有明确含义；没有单位的“准确率”会掩盖测量的对象。这个小练习与下一步使用的完整季节数据相互独立。

创建可复用的基线函数。shell 重定向 > 会替换 baseline.py。带引号的 here-document <<'PY' 将后续内容原样写入文件，直到仅含 PY 的一行，期间不会发生 shell 展开。请粘贴完整代码块，包括最后的 PY。也可以在 WebIDE 中编辑同一文件，然后选择 File → Save。

运行器把两张 pandas 表传入 summarize。itertuples() 逐行访问带名称的字段；字典将每场后期工作坊的 ID 与其误差关联。float 将 pandas 数值转为普通 Python 数字，便于输出 JSON。

cat > baseline.py <<'PY'
def summarize(early, later):
    baseline = float(early.actual_attendance.median())
    errors = {
        row.session_id: float(abs(row.actual_attendance - baseline))
        for row in later.itertuples()
    }
    return {
        "median_attendance": baseline,
        "absolute_errors": errors,
        "mae": sum(errors.values()) / len(errors),
    }
PY

运行准备好的文件写入包装器。参数 baseline 选择当前阶段；它将函数结果保存到 output/baseline.json。JSON 保存命名的值和对象，而不是 CSV 行。

./python run.py baseline

显示的值应包含中位数 18.0、误差 2.0 和 9.0，以及 MAE 5.5。使用准备好的读取器查看保存的产物；它从不重建缺失的结果。

./python show_results.py baseline

现在你拥有了一个误差单位与规划问题相同的基准。之后的模型必须在相同的评估活动上与基线比较；在另一份样本上优于这个练习的数值，并不构成公平比较。

区分训练时间与预测时间

本步中，你将按工作坊 ID 关联结果，并保留较晚日期用于评估。

继续使用同一 WebIDE 终端，工作目录为 /home/labex/project/workshop-attendance。读取季节边界和三张主表。

cat season.json

cat history.csv

cat labels.csv

cat future.csv

数据字典如下：

CSV 中的数值空单元格表示信息缺失，而非零预约。每个允许特征都至少有一个非空训练观测值。每张表内 ID 唯一；labels.csv 对每个历史 ID 恰有一个结果，且特意采用不同的行序。future.csv 没有结果或活动后字段。无效键、训练特征整列为空和滚动更新模型不在本课输入范围内。

模型只训练一次，并在 as_of_date，即 2026 年 4 月 1 日 00:00 UTC 冻结。只有在此日期之前发生的活动才能提供训练标签。本季节最后一场训练活动是 3 月 8 日，所以这些标签已经可得。留出集从 holdout_start，即 4 月 12 日开始；其最早的七天前预测截止日是 4 月 5 日，晚于训练冻结日。提供的历史数据中没有活动处于这段间隔。

这里存在两个不同的时钟：4 月 1 日冻结拟合后的模型；每场后期活动在自己的预测日提供其 booked_7d 快照。4 月 12 日活动的 4 月 5 日快照是在 4 月 5 日使用，并不声称 4 月 1 日已经知道。这项基于文件的练习回放保存的快照。后期真实标签只为回顾性评估而揭示。future.csv 中的五月活动仍是无标签预测。

替换尚未完成的按位置切分。具有一对一关系的 merge 按 session_id 关联标签，不假定第一行必然匹配第一行。pd.to_datetime 解析日历日期，pd.Timestamp 解析配置边界，布尔掩码选择相应行。先按日期、再按 ID 排序方便阅读；ID 拼写从不决定所属时段。.copy() 创建独立的选中表格。

cat > split.py <<'PY'
import pandas as pd


def split_events(history, labels, season):
    events = history.merge(labels, on="session_id", validate="one_to_one")
    dates = pd.to_datetime(events["event_date"])
    train = events.loc[dates < pd.Timestamp(season["as_of_date"])].copy()
    holdout = events.loc[dates >= pd.Timestamp(season["holdout_start"])].copy()
    return (
        train.sort_values(["event_date", "session_id"]),
        holdout.sort_values(["event_date", "session_id"]),
    )
PY

./python run.py split

训练顺序应为 W-91, W-04, W-77, W-12, W-63, W-02；留出 ID 为 W-88, W-09。这些不规则 ID 说明为什么不能用字母顺序或文件最后两行定义切分。

./python show_results.py split

检查 W-88：它必须保留其匹配标签中的实际人数 46，而不是同行位置上的标签。保存的 training.csv 和 holdout.csv 仍包含活动后字段供检查。下一步只选择两个允许特征；以数值形式保存，并不意味着某列可以合法用于预测。

如果意外关闭终端，打开 Terminal → New Terminal 并重复上面的 cd。“No such file or directory” 通常表示目录错误或文件名拼写错误。用 pwd 显示当前路径，用 ls 列出文件，然后返回此工作区并重跑正确命令。不必为普通路径错误重启实验。

只从训练集学习缺失值均值

本步中，你将在早期工作坊上拟合一个填补器，并将其用于后期快照，不再从后期数据学习。

继续在 WebIDE 的 /home/labex/project/workshop-attendance 下操作。可以编辑 baseline.py、split.py、prepare.py 和自己的 output/ 文件。保留所有提供的 CSV/JSON 输入、python、run.py、coursekit.py、show_results.py 以及每个 starter-*.py。起始副本可用于恢复模块，也可以重新粘贴所教的完整版本。即使日期、行序和数值改变，主要函数也必须仍可复用。

缺失值填补用学到的值替换缺失特征。SimpleImputer(strategy="mean") 学习每列的算术平均值。这里 booked_7d 的训练观测值为 10、20、40、25、35，均值为 26。六个已知时长的平均值为 80 分钟。即使不使用后期结果标签，混合所有时段也会让后期工作坊影响训练选择。应先切分，再拟合。

coursekit 提供的 FEATURES 恰为 ['booked_7d', 'duration_minutes']。双层方括号按此顺序选择两列。fit_transform 学习均值并填补训练矩阵；transform 将相同均值用于留出和未来矩阵。statistics_ 按特征顺序给出学习的均值。返回数组保留每张输入表的行序，以便包装器保留对应 ID。

cat > prepare.py <<'PY'
from sklearn.impute import SimpleImputer
from coursekit import FEATURES


def prepare_features(train, holdout, future):
    imputer = SimpleImputer(strategy="mean")
    training_values = imputer.fit_transform(train[FEATURES])
    holdout_values = imputer.transform(holdout[FEATURES])
    future_values = imputer.transform(future[FEATURES])
    return training_values, holdout_values, future_values, imputer.statistics_
PY

./python run.py prepare

学习的均值应为 booked_7d: 26.0 和 duration_minutes: 80.0。

./python show_results.py prepare

在 holdout-features.csv 中，W-88 使用 26 个预约和其观测到的 150 分钟；W-09 保留 90 个预约并使用 80 分钟。在 future-features.csv 中，F-101 使用相同的训练预约均值。最终预约、扫码、日期、ID 和结果均不进入这些数值矩阵。源文件中的原始空单元格保持不变。

你已经建立了真正的从早期到后期的评估边界。这并不能证明未来表现与过去相同。下一独立实验将拟合小模型，在相同的有标签留出集上比较连续预测误差与训练中位数基线。只要 ID 关联及数值含义不变，等效计算和不同输出行序均可接受；数值比较允许 1e-8 的绝对与相对容差。

总结

你建立了可复用的中位数基线，以人数为单位计算 MAE，按 ID 连接活动结果，并按日期分开早期训练与后期评估。你只选择七天前已可获得的信息，并仅在训练行上拟合缺失值均值。保存的表格保留了原始身份关联，源数据也保持不变，可用于下一阶段分析。