桜の満開を予測する（ランダムフォレスト）

import pandas as pd
from datetime import datetime
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error, r2_score

features_df['year'] = features_df['date'].dt.year

# 年ごとに特徴量を平均してまとめる（1月〜4月の気象データ）
X = features_df.groupby('year').mean().reset_index()

# 満開日データの加工
tokyo_df['year'] = pd.to_datetime(tokyo_df['満開の日']).dt.year
tokyo_df['day_of_year'] = pd.to_datetime(tokyo_df['満開の日']).dt.dayofyear
y = tokyo_df[['year', 'day_of_year']]

# 特徴量とターゲットを結合
df = pd.merge(X, y, on='year')
df = df.drop(['date'], axis=1, errors='ignore')  # 'date'が無いときのエラー回避

# 2020年〜2024年をテスト、それ以前を学習に使う
train_df = df[df['year'] < 2020]
test_df = df[df['year'] >= 2020]

X_train = train_df.drop(['day_of_year'], axis=1)
y_train = train_df['day_of_year']
X_test = test_df.drop(['day_of_year'], axis=1)
y_test = test_df['day_of_year']

# ランダムフォレストの学習
model = RandomForestRegressor(random_state=42, n_estimators=100)
model.fit(X_train, y_train)

# テストデータでの予測と評価
y_pred = model.predict(X_test)

# 年ごとの予測結果表示
for year, doy in zip(test_df['year'], y_pred):
    predicted_date = datetime(year, 1, 1) + pd.to_timedelta(doy - 1, unit='D')
    print(f"{year}年の予測満開日: {predicted_date.strftime('%Y-%m-%d')}")

2020年の予測満開日: 2020-03-24
2021年の予測満開日: 2021-03-24
2022年の予測満開日: 2022-03-29
2023年の予測満開日: 2023-03-25
2024年の予測満開日: 2024-03-24

2020-03-22
2021-03-22
2022-03-27
2023-03-22
2024-04-04