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。以下是一些常见的时间序列特征工程技术：

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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：

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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