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 pdimport matplotlib.pyplot as pltfilename = 'AirQualityUCI.csv'# load the datadata = pd.read_csv(    filename, sep=';', parse_dates=[['Date', 'Time']]).iloc[:, :-2]  # drops last 2 columns, not real variables# drop missing valuesdata.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_namespredictors = 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。

import numpy as npimport pandas as pdfrom feature_engine.creation import CyclicalFeaturesfrom feature_engine.datetime import DatetimeFeaturesfrom feature_engine.imputation import DropMissingDatafrom feature_engine.selection import DropFeaturesfrom feature_engine.timeseries.forecasting import LagFeatures, WindowFeaturesfrom 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()

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)

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 alonedata[[features for features in data.columns if 'lag' in features]]

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 alonedata[[features for features in data.columns if 'window' in features]]

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 alonedata[[features for features in data.columns if 'month' in features or 'hour' in features]]

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。

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。

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