资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

掌握时间序列特征工程：常用特征总结与 Feature-engine 的应用

创作时间:

作者:

@小白创作中心

掌握时间序列特征工程：常用特征总结与 Feature-engine 的应用

引用

CSDN

https://blog.csdn.net/tMb8Z9Vdm66wH68VX1/article/details/138383832

时间序列数据在金融、气象、销售预测等领域具有重要应用价值。本文将介绍时间序列特征工程的基本概念，并通过feature-engine库演示如何高效地进行特征提取。

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。

接下来，我们将通过使用feature-engine来简化这些特征的提取。首先，我们加载并清理数据：

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)

然后我们安装feature-engine：

pip install feature-engine

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。

下面我们来演示feature-engine如何应用在时间序列的数据上：

import numpy as np
import pandas as pd
from feature_engine.creation import CyclicalFeatures
from feature_engine.datetime import DatetimeFeatures
from feature_engine.imputation import DropMissingData
from feature_engine.selection import DropFeatures
from feature_engine.timeseries.forecasting import LagFeatures, WindowFeatures
from sklearn.pipeline import Pipeline

我们还将从Sklearn导入Pipeline，它可以帮助我们执行特征工程，然后载入数据，排序，然后做简单的数据清理：

def load_data():
    # Data lives here.
    filename = "AirQualityUCI_Cleaned.csv"
    # Load data: only the time variable and CO.
    data = pd.read_csv(
        filename,
        usecols=["Date_Time", "CO_sensor", "RH"],
        parse_dates=["Date_Time"],
        index_col=["Date_Time"],
    )
    # Sanity: sort index.
    data.sort_index(inplace=True)
    # Reduce data span.
    data = data.loc["2004-04-01":"2005-04-30"]
    # Remove outliers
    data = data.loc[(data["CO_sensor"] >= 0) & (data["RH"] >= 0)]
    return data

# Load data.
data = load_data()

提取数据时间特征

首先我们从datetime字段中提取日期时间特征：

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

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。

# Seeing all the Lag Features alone
data[[features for features in data.columns if 'lag' in features]]

基于窗口的特性

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。

# Seeing all the Window Features alone
data[[features for features in data.columns if 'window' in features]]

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。

cyclic_features = CyclicalFeatures(variables=['month','hour'],
                                  drop_original=False)
data = cyclic_features.fit_transform(data)
# Seeing all the Periodic Features alone
data[[features for features in data.columns if 'month' in features or 'hour' in features]]

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。

imputer = DropMissingData()
data = imputer.fit_transform(data)

我们还可以删除不需要的特征。

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

data = load_data()

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。

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