最近在做时间序列的项目，所以总结一下构造的特征的方法和一些经验。

先放上大纲：

1.时间特征

1.1 连续时间

  • 持续时间：

    • 浏览时长；

  • 间隔时间：

  • 购买/点击距今时长；

  • 距离假期的前后时长（节假日前和节假日后可能会出现明显的数据波动）；

1.2 离散时间

  • 年、季度、季节、月、星期、日、时 等；

    • 基本特征，如果用 Xgboost 模型可以进行 one-hot 编码；
    • 如果类别比较多，可以尝试平均数编码（Mean Encoding）。
    • 或者取 cos/sin 将数值的首位衔接起来，比如说 23 点与 0 点很近，星期一和星期天很近。

  • 节假日、节假日第 n 天、节假日前 n 天、节假日后 n 天；

  • 数据可能会随着节假日的持续而发生变化，比如说递减；

  • 节假日前/后可能会出现数据波动；

  • 不放假的人造节日如 5.20、6.18、11.11 等也需要考虑一下；

  • 一天的某个时间段；

  • 上午、中午、下午、傍晚、晚上、深夜、凌晨等；

  • 年初、年末、月初、月末、周内、周末；

  • 基本特征；

  • 高峰时段、是否上班、是否营业、是否双休日；

  • 主要根据业务场景进行挖掘。

# 年、季度、季节、月、星期、日、时
data_df['date'] = pd.to_datetime(data_df['date'], format="%m/%d/%y")
data_df['quarter']=data_df['date'].dt.quarter
data_df['month'] = data_df['date'].dt.month
data_df['day'] = data_df['date'].dt.day
data_df['dayofweek'] = data_df['date'].dt.dayofweek
data_df['weekofyear'] = data_df['date'].dt.week   # 一年中的第几周

# Series.dt 下有很多属性，可以去看一下是否有需要的。
data_df['is_year_start'] = data_df['date'].dt.is_year_start
data_df['is_year_end'] = data_df['date'].dt.is_year_end
data_df['is_quarter_start'] = data_df['date'].dt.is_quarter_start
data_df['is_quarter_end'] = data_df['date'].dt.is_quarter_end
data_df['is_month_start'] = data_df['date'].dt.is_month_start
data_df['is_month_end'] = data_df['date'].dt.is_month_end

# 是否时一天的高峰时段 8~10
data_df['day_high'] = data_df['hour'].apply(lambda x: 0 if  0 < x < 8  else 1)

# 构造时间特征
def get_time_fe(data, col, n, one_hot=False, drop=True):
  '''
   data: DataFrame
   col: column name
   n: 时间周期
  '''
  data[col + '_sin'] = round(np.sin(2*np.pi / n * data[col]), 6)
  data[col + '_cos'] = round(np.cos(2*np.pi / n * data[col]), 6)
  if one_hot:
    ohe = OneHotEncoder()
    X = OneHotEncoder().fit_transform(data[col].values.reshape(-1, 1)).toarray()
    df = pd.DataFrame(X, columns=[col + '_' + str(int(i)) for i in range(X.shape[1])])
    data = pd.concat([data, df], axis=1)
    if drop:
      data = data.drop(col, axis=1)
   return data

data_df = get_time_fe(data_df, 'hour', n=24, one_hot=False, drop=False)
data_df = get_time_fe(data_df, 'day', n=31, one_hot=False, drop=True)
data_df = get_time_fe(data_df, 'dayofweek', n=7, one_hot=True, drop=True)
data_df = get_time_fe(data_df, 'season', n=4, one_hot=True, drop=True)
data_df = get_time_fe(data_df, 'month', n=12, one_hot=True, drop=True)
data_df = get_time_fe(data_df, 'weekofyear', n=53, one_hot=False, drop=True)

2.聚合特征

2.1 统计值

基于历史数据构造长中短期的统计值，包括前 n 天/周期内的：

  • 四分位数；

  • 中位数、平均数、偏差；

  • 偏度、峰度；

    • 挖掘数据的偏离程度和集中程度；

  • 离散系数；

  • 挖掘离散程度

这里可以用自相关系数（autocorrelation）挖掘出周期性。

除了对数据进行统计外，也可以对节假日等进行统计，以刻画历史数据中所含节假日的情况。（还可以统计未来的节假日的情况。）

# 画出自相关性系数图
from panda