探索时间序列特征工程技术及功能强大的 feature-engine 库应用，提升数据分析效率。
原文标题：掌握时间序列特征工程：常用特征总结与 Feature-engine 的应用
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、Feature-engine 库的特点在特征工程中有何优势？
3、在实际应用中，如何选择合适的特征工程技术？
原文内容
本文约2400字，建议阅读5分钟
本文将总结一些常见的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。
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 themimport pandas as pd
import matplotlib.pyplot as pltfilename = ‘AirQualityUCI.csv’
load the data
data = pd.read_csv(
filename, sep=‘;’, parse_dates=[[‘Date’, ‘Time’]]
).iloc[:, :-2] # drops last 2 columns, not real variablesdrop 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= L agFeatures(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。
编辑：于腾凯
校对：龚力
