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。
本文将通过使用feature-engine来简化这些特征的提取，首先我们看看数据。
# Importing the Data and Cleaning them
importpandasaspd
importmatplotlib.pyplotasplt
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:]
forvarinpredictors:
ifdata[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，帮助处理偏态数据。- 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。
importnumpyasnp
importpandasaspd
fromfeature_engine.creationimportCyclicalFeatures
fromfeature_engine.datetimeimportDatetimeFeatures
fromfeature_engine.imputationimportDropMissingData
fromfeature_engine.selectionimportDropFeatures
fromfeature_engine.timeseries.forecastingimportLagFeatures, WindowFeatures
fromsklearn.pipelineimportPipeline
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
defload_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)]
returndata
# 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[[featuresforfeaturesindata.columnsif'lag'infeatures]]
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[[featuresforfeaturesindata.columnsif'window'infeatures]]
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[[featuresforfeaturesindata.columnsif'month'infeaturesor'hour'infeatures]]
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://avoid.overfit.cn/post/db4091bc5c8d489aa6f4df807ff7894f
作者:Harish Siva Subramanian
