首先，我建议您分析数据。你真的需要过年吗？你研究过与其他变量的相关性吗？我的意思是，在创建任何模型之前研究您打算创建的模型的领域。

您可以将年份视为分类变量，并使用一些技术（例如 One Hot Ecoding 或 Dummy Variables）以获得更好的性能。您还可以对年份进行归一化，将它们视为介于 0 和 1 之间的数值变量。

最重要的是要知道我们将要做什么来充分利用信息或数据。

年份或任何时间维度很难包含在 ML 模型中，因为它引出了一个问题：

我们是否在查看时间序列？

时间序列的行为与未按顺序排序的数据完全不同，我们必须对它们进行不同的建模。

您可以将年份/时间视为任何其他维度，并将其用作基于回归的模型中的预测变量。但这并不理想！

而是尝试使用适合时间序列分析的模型，例如 ARIMA，甚至是深度学习模型，例如 LTSTM。

处理此问题的直接方法是基于时间序列模型（如 ARIMA）对简单预测进行建模，然后在顶部构建第二个模型，该模型接受所有其他预测变量并尝试从时间序列模型中预测残差.

您的问题陈述不是很清楚，但从我所阅读的内容看来，您可以使用Year 作为索引来进行时间序列验证拆分。你可以在这里阅读一些关于它的信息，并使用Alan Turing Institute 或经典scikit learn的sktime实现。

这将允许您评估模型在生产环境中的性能，因为鉴于您的问题的性质（真实状态），您将希望预测下一个给定年份的价格。

因此，与其将其用作特征，不如按其索引然后拆分。

如果您有兴趣将其用作一项功能，您可以计算从第一年开始的经过时间，这将有助于模型查看随时间推移是否存在趋势。或者作为分类并进行目标编码。