掌握时间序列特征工程：常用特征总结与 Feature-engine 的应用
掌握时间序列特征工程：常用特征总结与 Feature-engine 的应用
时间序列数据的特征工程是一种技术，用于从时间序列数据中提取信息或构造特征，这些特征可用于提高机器学习模型的性能。本文将总结一些常见的时间序列特征工程技术，并通过使用feature-engine库来简化这些特征的提取过程。
时间序列特征工程技术
时间序列数据的特征工程是一种技术，用于从时间序列数据中提取信息或构造特征，这些特征可用于提高机器学习模型的性能。以下是一些常见的时间序列特征工程技术：
滚动统计量：计算时间窗口内的统计量，如平均值、中位数、标准偏差、最小值和最大值。这些统计量可以捕捉到时间序列在不同时间段的行为变化；
滞后特征：创建时间序列的过去值作为新的特征，以揭示序列的自相关性质。例如，可以使用前一天（滞后1）或前一周（滞后7）的数据作为预测当前值的特征；
差分和季节差分：计算时间序列的一阶差分（即当前值与前一个值的差）或季节性差分（如当前值与前一年同一天的值的差）来帮助去除趋势和季节性影响；
变换：应用变换如对数变换、平方根变换等，可以帮助稳定时间序列的方差，使其更适合某些统计模型；
时间戳信息：提取时间戳的特定部分，如小时、周天、月份等，用于捕捉周期性模式；
傅里叶变换：通过傅里叶变换将时间序列转换为频域表示，提取周期性特征；
波动性度量：对于金融时间序列，可以计算历史波动性或返回序列的标准偏差等度量；
窗口函数：使用滑动窗口操作，如滑动平均或指数平滑，以平滑时间序列并减少噪声。
数据加载与预处理
本文使用UCI Machine Learning Repository中的空气质量数据集进行演示。以下是数据加载和预处理的代码：
import pandas as pd
import matplotlib.pyplot as plt
filename = 'AirQualityUCI.csv'
# load the data
data = pd.read_csv(
filename, sep=';', parse_dates=[['Date', 'Time']]
).iloc[:, :-2] # drops last 2 columns, not real variables
# drop missing values
data.dropna(inplace=True)
new_var_names = [
'Date_Time',
'CO_true',
'CO_sensor',
'NMHC_true',
'C6H6_true',
'NMHC_sensor',
'NOX_true',
'NOX_sensor',
'NO2_true',
'NO2_sensor',
'O3_sensor',
'T',
'RH',
'AH',
]
data.columns = new_var_names
predictors = data.columns[1:]
for var in predictors:
if data[var].dtype =='O':
data[var] = data[var].str.replace(',', '.')
data[var] = pd.to_numeric(data[var])
data['Date_Time'] = data['Date_Time'].str.replace('.', ':', regex=False)
data['Date_Time'] = pd.to_datetime(data['Date_Time'],dayfirst=True)
data.sort_index(inplace=True)
data.to_csv('AirQualityUCI_Cleaned.csv', index=False)
feature-engine库简介
feature-engine是一个Python库，专门设计用于特征工程。该库提供了许多方便的特征处理方法，可以简化数据预处理的流程，增强机器学习模型的性能。下面是一些feature-engine主要提供的功能：
- 缺失数据处理：
- 提供了多种填充缺失值的策略，如使用均值、中位数、众数或指定的常数来填充；
- 提供添加缺失数据指示器的功能，这可以帮助模型识别数据缺失的模式。
- 分类变量编码：
- 支持多种编码策略，如独热编码、序数编码、计数编码、目标编码（Mean encoding）、权重风险比编码等。
- 连续变量变换：
- 提供了对数变换、倒数变换、平方根变换等多种数学变换，帮助处理偏态数；
- 包括离散化连续变量的功能，如等距离散化、等频离散化或使用决策树分箱等。
- 特征缩放：
- 包括最常见的缩放方法，如最大最小缩放（Min-Max Scaling）、标准缩放（Standard Scaling）和均值正规化；
- 特征选择：
- 提供基于各种统计检验和模型性能的特征选择方法，例如基于相关系数、卡方检验、递归特征消除等。
- 特征组合：
- 支持创建特征的交互项，如两个变量的乘积或其他复合关系。
特征工程实现
接下来，我们将使用feature-engine库对时间序列数据进行特征工程处理。
提取数据时间特征
首先从datetime字段中提取日期时间特征：
from feature_engine.datetime import DatetimeFeatures
datetime_features = DatetimeFeatures(
variables='index',
features_to_extract=['month',
'week',
'day_of_week',
'day_of_month',
'hour',
'weekend']
)
data = datetime_features.fit_transform(data)
滞后特征提取
from feature_engine.timeseries.forecasting import LagFeatures
lag_features = LagFeatures(
variables=['CO_sensor', 'RH'],
freq=['1H', '24H'],
missing_values='ignore'
)
data = lag_features.fit_transform(data)
data.head(26)
在上面的代码中，我们将滞后频率设置为1小时和24小时，代码将为上面定义的每个变量创建2个单独的特征。
基于窗口的特性
from feature_engine.timeseries.forecasting import WindowFeatures
window_features = WindowFeatures(
variables=['CO_sensor', 'RH'],
window='3H', # This will window the last 3 hours
freq='1H', # Do this for every hour
missing_values='ignore'
)
data = window_features.fit_transform(data)
创建一个3小时移动平均值的窗口特征。由于上面没有定义汇总函数，所以默认情况下取平均值作为窗口函数。
周期性特征
周期性特征将保持任何其他日期字段的连续性：
from feature_engine.creation import CyclicalFeatures
cyclic_features = CyclicalFeatures(
variables=['month', 'hour'],
drop_original=False
)
data = cyclic_features.fit_transform(data)
清理特征
在创建某些特性时，将会得到一些nan值。我们需要移除它们：
from feature_engine.imputation import DropMissingData
imputer = DropMissingData()
data = imputer.fit_transform(data)
我们还可以删除不需要的特征：
from feature_engine.selection import DropFeatures
drop_features = DropFeatures(features_to_drop=['CO_sensor', 'RH'])
data = drop_features.fit_transform(data)
因为我们已经从这些原始特征中提取了其他的高级特征。所以保留它们模型会学习两次或三次相同的信息，从而导致过拟合。
创建管道
这将加载已清理的原始数据，然后我们创建一个特征处理的完整流程：
data = load_data()
pipe = Pipeline([
('datetime_features', datetime_features),
('lag_features', lag_features),
('window_features', window_features),
('cyclic_features', cyclic_features),
('dropnan', imputer),
('drop_dataleak_features', drop_features)
])
data = pipe.fit_transform(data)
上面代码将创建所有特征，删除nan，然后同时删除原始特征。
总结
时间序列数据的分析对于许多领域如金融、气象和销售预测至关重要。本文首先总结了常用的时间序列特征，例如滚动统计量、滞后特征、季节差分等，这些特征有助于揭示数据的底层模式和趋势。接着，文章深入探讨了如何利用feature-engine库来简化这些特征的工程过程。feature-engine是一个强大的Python库，提供了一系列工具和技术，用于高效地处理和转换数据，从而提高机器学习模型的性能。通过集成滚动窗口统计、自动填充缺失值、编码分类变量等功能，feature-engine不仅优化了数据预处理流程，还使得特征工程更加直观和易于管理。
本文的数据下载地址：
https://archive.ics.uci.edu/dataset/360/air+quality