LSTM（long short term memory，長短期記憶網絡）是預測時間序列最常用的神經網絡模型之一。但是這種神經網絡模型相當複雜，需要特定的結構、數據前期處理等操作。
當在網上搜尋要學習的代碼時，很難將另一個程序員的代碼合併到當前開展的項目中。對於LSTM尤其如此，導致這些問題的關鍵在於：
· 數據準備的順序
· 數據存儲的結構
簡單地説，由於兩個關鍵步驟有多種方法可以獲得相同的結果，因此每個程序員選擇的路徑可能有所不同。
在這篇文章中，將分析為什麼我們必須下定決心使用一組特定的範例，特別是在為冗長的LSTM編程時，以便更好地調試和共享。
LSTM 數據準備階段
本質上，當我們為模型準備時間序列數據時，需要執行以下關鍵步驟：
· 按時間分割數據集
· 將數據集轉換為有監督學習問題
這兩個步驟的執行順序沒有明確規定。因此一部分程序員先分割數據集，然後將其轉化為監督學習問題。而其他程序員則顛倒兩者順序。
先分割數據集，然後轉換為有監督學習問題
先轉換為有監督學習問題，然後分割數據集
處理結果
對比而言，雖然處理的結果相同，但是先分割數據集的方式所需代碼更少。而部分程序員在編程過程中，會使用第二種方式，這就導致了社區中交流問題和代碼時產生一定的差異和混亂。所以本文推薦優先分割數據集的方式。
數據結構
在我們決定了為LSTM準備數據的正確順序之後，我們需要選擇使用哪種合適的數據結構。數據結構大致可以分為以下三種：
· Pandas DataFrame
· Numpy Arrays
· Lists
Pandas DataFrame
Pandas 是一個可靠的且便於操作的數據處理庫。而我們在編寫人工智能算法時，總是需要在進程的任何一步檢查數據以便於調試。在 Pandas 庫中可以很方便地做到這一點：
df.head()
Pandas 示例：谷歌股票
通過 Pandas 可以打印出數據情況，以檢查在程序運行過程中是否出現錯誤。
Pandas 示例：一個模擬有監督學習問題的pandas dataframe
相比較而言， List 則具有多維度、不易於理解的缺點，對於調試工作不太友好。
Numpy Arrays
所有數據集或多或少都會轉換為 NumPy Arrays 以進行編輯或縮放操作。例如，如果我們希望在0和1之間縮放數據集，可以使用名為MinMaxScaler的工具:
from sklearn.preprocessing import MinMaxScaler#df is pandas DataFrame#conversion to numpy arraydf = df.Valuesscaler = MinMaxScaler(feature_range=(0, 1))scaled_values = scaler.fit_transform(df)
將整個數據集作為NumPy Array 的問題在於，無法詳細查看其中的內容。不能夠以列名稱的方式查看數據（將數據集轉換為有監督的學習問題時，這一點非常重要）。並且對於算法的調試工作不夠友好。
幸運的是，可以輕鬆地從NumPy Arrays 切換回 DataFrame。
Lists
將數據集的內容存儲在多維列表中是十分低效的。以 Kaggle 上發表的一段代碼為例：
List 示例：一個四因素的時間序列數據存儲
不難發現，通過 Lists 難以直接定位數據並查看數據，並且不能夠通過列名稱的方式組織數據。
總結
規範化這個問題並不侷限於LSTM，但是在 LSTM 編程過程中十分普遍。缺乏規範化導致在實際編程中，不能夠直接一個接一個地調用程序或函數。
現在的情況下，代碼看起來可能很簡單而且很快，但是搜索錯誤、調試代碼是個很大的問題。在函數聲明過程中，輸入數據的名稱可能會更改，因此當想要檢查隱藏在代碼中的變量的值或輸出時，往往不能簡單地調用原始的數據名稱，必須使用它所涉及到的所有代碼才能提取該數據的真實值。
這就是本文推薦使用統一的數據框架的原因。通過統一使用 Pandas Dataframe，可以輕鬆地檢查每個函數的輸出，更好地進行算法調試工作。
deephub 小組經驗
基本上所有的所有的編程語言的數字下標都是從0開始的，這就使得我們在處理序列數據的時候需要改掉以 1為起始的現實中的習慣。並且在python處理分片的時候使用的是左閉右開（絕大部分，並不是全部）的原則，這也是導致了我們對時序數組的操作需要特別的注意。
實際案例：LSTM需要通過前30天的數據，預測當天的數據，處理輸入數據的數組下標如何寫，有興趣的小夥伴可以手動試試。