此错误是由 Pandas 的日期频率字符串已弃用和更新引起的。核心问题是代码中使用的频率别名 `'Y'`（Year End）在较新版本的 Pandas 中已不再被支持，取而代之的是更明确的 `'YE'`。错误信息明确指出“`'Y'` is no longer supported for offsets. Please use `'YE'` instead.”。 根据错误栈，问题出在您的物候预测脚本 `夏至日前后物候变化的数学模型拟合与预测.py` 的第 113 行： ```python future_dates = pd.date_range(start=f'{forecast_values.index[0]}-06-21', periods=len(forecast_values), freq='Y') ``` 这里 `pd.date_range` 函数的 `freq` 参数被设置为 `'Y'`，从而触发了错误。 ### 根本原因与解决方案 Pandas 为了提供更清晰、无歧义的频率定义，对某些频率别名进行了弃用。年频率的变更如下： | 旧频率字符串 | 推荐新频率字符串 | 含义 | | :--- | :--- | :--- | | `‘Y’`, `‘A’` | `‘YE’`, `‘Y’` | 年末（Year End）| | `‘AS’`, `‘YS’` | `‘YS’` | 年初（Year Start）| 具体来说，`‘Y’` 过去被用来表示“年末”的偏移量。现在，为了更清晰的区分年末(`‘YE’`)和年初(`‘YS’`)，`‘Y’` 已被弃用。在您使用的Pandas版本（从Python 3.14环境推断，应为较新版Pandas）中，直接使用 `‘Y’` 会抛出 `ValueError`[ref_1]。 ### 修正代码 解决方法是直接将 `freq` 参数从 `‘Y’` 改为 `‘YE’`。修改后的代码行如下： ```python # 修改前（会导致报错）： future_dates = pd.date_range(start=f'{forecast_values.index[0]}-06-21', periods=len(forecast_values), freq='Y') # 修改后（正确写法）： future_dates = pd.date_range(start=f'{forecast_values.index[0]}-06-21', periods=len(forecast_values), freq='YE') ``` 这样修改后，`pd.date_range` 就会正确生成以每年年末为锚点的日期序列。 ### 深入分析与场景适配 尽管上述修改直接解决了报错，但您需要根据业务逻辑判断 `‘YE’` 是否真的符合您的需求。考虑到您的代码是用于“夏至日前后物候变化”的预测，而夏至日大约是每年的 **6月21日**，这既不是年初也不是年末。因此，使用 `‘YE’` 生成年底日期（如 `2024-12-31`）来标注预测值可能并不直观。 更合理的做法是生成一个每年夏至日（**6月21日**）的日期序列。有几种方案可以实现： 1. **方案一：使用 `pd.offsets.DateOffset` (最灵活，推荐)** 此方案能精确生成每年的6月21日，逻辑最贴合业务场景。 ```python import pandas as pd # 假设起始年份是 forecast_values.index[0] start_year = forecast_values.index[0] # 确保这是一个可获取年份的日期或整数 # 创建起始日期 start_date = pd.Timestamp(year=start_year, month=6, day=21) # 生成日期序列：从起始日期开始，每年增加1年 future_dates = [start_date + pd.DateOffset(years=i) for i in range(len(forecast_values))] future_dates = pd.DatetimeIndex(future_dates) ``` 2. **方案二：使用固定日期字符串拼接** 如果 `forecast_values` 的长度不大，且起始年份已知，可以直接构建列表。 ```python base_year = 2020 # 根据您的数据设定起始年份 future_dates = [f‘{base_year + i}-06-21’ for i in range(len(forecast_values))] future_dates = pd.to_datetime(future_dates) ``` 3. **方案三：使用 `‘YS’` + 月份偏移** 如果想保留使用频率字符串的方式，可以先生成年初日期，再统一加上5个月20天的偏移量来得到夏至日附近日期，但此方法稍显繁琐，不推荐。 对于物候预测图，建议采用 **方案一**。它不仅解决了版本兼容性问题，更重要的是生成了与您的预测目标（夏至日）完全匹配的X轴日期标签，使图表更具可读性。 除了核心的`freq`参数问题，在处理时间序列时，您也可能遇到其他类似问题。例如，当日期列的格式不统一（如混用`YYYY/MM/DD`和`YYYYMMDD`）时，直接使用`pd.to_datetime()`可能报错。可以像参考资料中提到的，使用`pd.to_datetime(df[‘Date’], format=‘mixed’)`来解决[ref_1]。此外，在数据清洗和访问中，常见的错误如`KeyError`（列名不存在）和`SettingWithCopyWarning`（链式赋值警告）也需注意[ref_2][ref_3]。