Crearea caracteristicilor în timp

Machine Learning pentru Date de Tip Șir de Timp în Python

Chris Holdgraf

Fellow, Berkeley Institute for Data Science

Extragerea caracteristicilor cu ferestre

Utilizarea .aggregate pentru extragerea caracteristicilor

# Visualize the raw data
print(prices.head(3))

symbol            AIG        ABT
date                            
2010-01-04  29.889999  54.459951
2010-01-05  29.330000  54.019953
2010-01-06  29.139999  54.319953

# Calculate a rolling window, then extract two features
feats = prices.rolling(20).aggregate([np.std, np.max]).dropna()
print(feats.head(3))

                 AIG                  ABT           
                 std       amax       std       amax
date                                                
2010-02-01  2.051966  29.889999  0.868830  56.239949
2010-02-02  2.101032  29.629999  0.869197  56.239949
2010-02-03  2.157249  29.629999  0.852509  56.239949

Verificați proprietățile caracteristicilor!

Utilizarea partial() în Python

# If we just take the mean, it returns a single value
a = np.array([[0, 1, 2], [0, 1, 2], [0, 1, 2]])
print(np.mean(a))

1.0

# We can use the partial function to initialize np.mean 
# with an axis parameter
from functools import partial
mean_over_first_axis = partial(np.mean, axis=0)

print(mean_over_first_axis(a))

[0. 1. 2.]

Percentilele rezumă datele

Percentilele oferă rezumate mai detaliate ale datelor (față de np.mean)
Pentru un set de date, percentila N reprezintă valoarea sub care se află N% din date, iar 100-N% se află deasupra.

print(np.percentile(np.linspace(0, 200), q=20))

40.0

Combinarea np.percentile() cu funcții parțiale pentru calculul unui interval de percentile

data = np.linspace(0, 100)

# Create a list of functions using a list comprehension
percentile_funcs = [partial(np.percentile, q=ii) for ii in [20, 40, 60]]

# Calculate the output of each function in the same way
percentiles = [i_func(data) for i_func in percentile_funcs]
print(percentiles)

[20.0, 40.00000000000001, 60.0]

# Calculate multiple percentiles of a rolling window
data.rolling(20).aggregate(percentiles)

Calcularea caracteristicilor „bazate pe dată"

Până acum ne-am concentrat pe calculul caracteristicilor „statistice" — proprietăți precum „media", „deviația standard" etc.
Nu uitați că datele de tip serie temporală au adesea și caracteristici „umane", cum ar fi zilele săptămânii, sărbătorile etc.
Aceste caracteristici sunt utile când datele acoperă mai mulți ani (de ex. valoarea acțiunilor în timp)

Caracteristici datetime cu Pandas

# Ensure our index is datetime
prices.index = pd.to_datetime(prices.index)

# Extract datetime features
day_of_week_num = prices.index.weekday
print(day_of_week_num[:10])

Index([0 1 2 3 4 0 1 2 3 4], dtype='object')

day_of_week = prices.index.day_name()
print(day_of_week[:10])

Index(['Monday' 'Tuesday' 'Wednesday' 'Thursday' 'Friday' 'Monday' 'Tuesday'
 'Wednesday' 'Thursday' 'Friday'], dtype='object')

Să exersăm!

Machine Learning pentru Date de Tip Șir de Timp în Python