Udtræk af features fra dato og tid

Et råt Unix-tidsstempel som 1718784000 eller en datotidsstreng som '2024-06-19 14:30:00' indeholder værdifulde oplysninger — klokkeslæt, ugedag og måned — men en model kan ikke tilgå disse oplysninger fra råværdien. En lineær model ser tidsstemplet som ét stort heltal og kan kun lære, at senere tidsstempler forudsiger højere eller lavere mål, mens alle periodiske mønstre overses. Funktionsudtræk opdeler tidsstemplet i meningsfulde numeriske komponenter, som modeller kan bruge direkte.

Pars altid dato- og tidsstrenge til datatypen pd.Timestamp eller datetime64 ved hjælp af pd.to_datetime(), før du udtrækker funktioner. Når de er parset, stiller Pandas en .dt-adgang til rådighed med dusinvis af attributter: .dt.year, .dt.month, .dt.day, .dt.hour, .dt.minute, .dt.dayofweek (0=mandag), .dt.dayofyear, .dt.quarter, .dt.is_weekend og mange flere. Hver attribut bliver til en ny heltalskolonne i din funktionsmatrix.

Klokkeslæt 23 og 0 ligger ved siden af hinanden (én time fra hinanden), men er numerisk langt fra hinanden (23 enheder). Hvis du koder klokkeslættet som et heltal fra 0 til 23, kan en lineær model ikke lære, at mønstre omkring midnat ligner mønstre omkring kl. 23. Det samme gælder måneder (december og januar ligger ved siden af hinanden), ugedage (søndag=6 og mandag=0) og alle andre cykliske størrelser. Når du behandler dem som rå heltal, skaber du en kunstig diskontinuitet ved cyklusgrænsen, som modellerne skal forsøge at håndtere.

Løsningen er at kode cykliske funktioner som sinus- og cosinuspar. For en variabel, der går fra 0 til T-1, koder du den som: sin(2π × value / T) og cos(2π × value / T). Det afbilder cyklussen på en cirkel i et todimensionalt rum. Klokkeslæt 23 og klokkeslæt 0 er nu nabopunkter på cirklen, så deres euklidiske afstand er lille. Alle modeller, der beregner afstande eller lineære kombinationer, kan nu indfange cykliske mønstre korrekt ved at bruge sinus- og cosinuskomponenterne sammen.

Mønstret for cyklisk kodning kan generaliseres til alle periodiske funktioner: måned (T=12), ugedag (T=7), klokkeslæt (T=24), minut (T=60), dag i året (T=365). Hver cyklisk funktion genererer to nye funktioner (sinus og cosinus). For træbaserede modeller fungerer rå heltalskodning ofte fint, fordi træer opdeler efter tærskler og kan indfange cykliske mønstre gennem flere opdelinger. Men for lineære modeller, neurale netværk og afstandsbaserede algoritmer er cyklisk kodning vigtig.

I stedet for at udtrække kalenderkomponenter er det nogle gange den forløbne tid siden en hændelse, der er vigtig: dage siden sidste køb, timer siden systemgenstart eller måneder siden kontoen blev oprettet. Disse relative varighedsfunktioner indfanger effekter af aktualitet, som absolutte kalenderfunktioner overser. Beregn dem som simple differenser: (now - event_date).dt.days eller (now - event_date).dt.total_seconds(). Aktualitetsfunktioner er især værdifulde i modeller for kundeadfærd (churn, LTV) og forudsigende vedligeholdelse.

Booleske indikatorfunktioner, der udledes af tidsstempler, er enkle, men ofte effektive. is_weekend, is_business_hours, is_holiday, is_month_end — de skaber tydelige binære opdelinger, som træmodeller kan udnytte i en enkelt opdeling. Lineære modeller drager også fordel af dem, fordi disse indikatorer skaber særskilte justeringer af skæringen. En indikator for helligdage kan have særlig stor betydning i modeller for detailsalg, trafik og energiforbrug, hvor helligdage medfører systematiske ændringer i efterspørgslen.

For tidsseriedata er tidligere værdier af målvariablen ofte blandt de bedste prædiktorer. Forsinkelsesfunktioner forskyder målet med N tidstrin: df['target_lag1'] = df['target'].shift(1) opretter en funktion, der er lig med gårsdagens mål. Rullende statistikker opsummerer den seneste historik: df['rolling_mean_7'] = df['target'].rolling(7).mean() giver det rullende syvdagesgennemsnit. Disse funktioner koder tidsmæssigt momentum og sæsonvariation, som kalenderfunktioner alene ikke kan indfange.

Hvis du vil bruge dato- og funktionsudtræk i en scikit-learn Pipeline uden lækage, skal du oprette en tilpasset transformer ved hjælp af BaseEstimator og TransformerMixin. Det sikrer, at datofunktioner beregnes ensartet og reproducerbart i hver fold under krydsvalidering. Vær ekstra forsigtig med forsinkelses- og rullende funktioner — rullende statistikker, der beregnes på hele datasættet (inklusive fremtidige testdata), lækker oplysninger. Beregn altid forsinkelses- og rullende funktioner kun frem til skæringsdatoen for træningsdataene.

Effektiv funktionsudvikling for datotid kræver forståelse af hvilke tidsmæssige mønstre der er vigtige for dit problem. For efterspørgsel efter samkørselstjenester er klokkeslæt og ugedag afgørende. For detailsalg er ugedag, uge i året, afstand til helligdage og udviklingen fra år til år vigtige. For detektering af netværksindtrængen er tid siden seneste hændelse og burst-rate vigtige. For energiforbrug er interaktioner mellem klokkeslæt, dag og temperatur vigtige. Start altid med at afbilde målet mod hver tidsmæssig komponent for at identificere synlige periodiske mønstre, før du udvikler funktioner.

Når dit datasæt spænder over flere tidszoner, skal du altid konvertere tidsstempler til én fælles referencetidszone, før du udtrækker funktioner. Det er standardpraksis at bruge UTC som den kanoniske tidszone. Når funktionerne er udtrukket, kan du anvende lokale tidsforskydninger igen, hvis lokale mønstre er vigtige (f.eks. er klokkeslættet i kundens lokale tid mere forudsigende end UTC-klokkeslættet ved modellering af brugeradfærd). Pandas-metoderne dt.tz_localize() og dt.tz_convert() håndterer tidszonekonvertering på en enkel måde.

I denne lektion har du lært, at rå tidsstempler skal opdeles i meningsfulde komponenter, før de bruges som funktioner, at cykliske funktioner som klokkeslæt og måned kræver sinus/cosinus-kodning for at undgå diskontinuiteter ved grænser, og at forsinkelses- og rullende funktioner koder tidsmæssige mønstre til forudsigelsesopgaver med tidsserier. Næste gang ser vi på funktionsudvælgelse med Variance Threshold og SelectKBest for at frasortere uinformative funktioner.