Преобразование даты в float для линейной регрессии на фрейме данных Pandas

кажется, что для того, чтобы линейная регрессия OLS хорошо работала в панд, аргументы должны быть поплавками. Я начинаю с csv (называемого " gameAct.csv") формы:

date, city, players, sales

2014-04-28,London,111,1091.28

2014-04-29,London,100,1100.44

2014-04-28,Paris,87,1001.33

...

Я хочу выполнить линейную регрессию того, как продажи зависят от даты (как время движется вперед, как движутся продажи?). Проблема с моим кодом ниже, похоже, заключается в том, что даты не являются значениями float. Я был бы признателен за помощь в решении этой проблемы индексирования в Pandas.

мой текущий (не работает, но компиляция кода):

import pandas as pd

from pandas import DataFrame, Series

import statsmodels.formula.api as sm

df = pd.read_csv('gameAct.csv')

df.columns = ['date', 'city', 'players', 'sales']

city_data = df[df['city'] == 'London']

result = sm.ols(formula = 'sales ~ date', data = city_data).fit()

поскольку я изменяю значение города, я получаю результаты R^2 = 1, что неверно. Я также попытался index_col = 0, parse_dates == True' в определении dataframe df, но без успеха.

Я подозреваю, что есть лучший способ читать в таких csv-файлах для выполнения базовой регрессии по датам, а также для более общего анализа временных рядов. Помощь, примеры и ресурсы приветствуются!

Примечание, с вышеуказанным кодом, если я преобразую индекс дат (для данного города) в массив, значения в этом массиве имеют вид:

'xefxbbxbf2014-04-28'

как создать АИК анализ по всем внереализационных параметров? (например, результатом может быть то, что продажи зависят наиболее линейно от даты и города).