Extraer variables temporales

Una columna datetime64 sin procesar resulta opaca para la mayoría de los algoritmos de aprendizaje automático: no pueden entender que 2024-12-25 es un día festivo o que Friday impulsa un aumento de las ventas minoristas. La ingeniería de características temporales extrae componentes significativos de las columnas de fecha y hora —año, mes, día, día de la semana y hora— como columnas numéricas o categóricas independientes que los modelos y las funciones de análisis pueden utilizar directamente.

Cuando una columna de un DataFrame tiene el tipo datetime64, el accesor .dt expone vectorialmente todas las propiedades y métodos de fecha y hora. En lugar de aplicar una función de Python fila por fila, se escribe df['date'].dt.year y Pandas calcula el año para todas las filas en una única operación rápida. El mismo accesor funciona con columnas timedelta64, aunque con propiedades diferentes.

Las propiedades de .dt más utilizadas para los componentes de fecha son: .dt.year, .dt.month, .dt.day, .dt.day_of_week (0=lunes hasta 6=domingo), .dt.day_of_year, .dt.week o .dt.isocalendar().week, .dt.quarter y .dt.days_in_month. Cada una devuelve una Series de enteros que puede utilizarse directamente como característica.

Para las columnas de fecha y hora que incluyen información horaria (no solo la fecha), use .dt.hour, .dt.minute, .dt.second y .dt.microsecond. Son fundamentales para el análisis intradía, el modelado del comportamiento de los usuarios (patrones de mañana frente a noche) y cualquier sistema en el que la hora del día influya en la variable objetivo.

Para obtener etiquetas legibles, use .dt.day_name() y .dt.month_name() para obtener nombres de texto como 'Monday' y 'January'. Resultan útiles para mostrar información en informes y para crear características categóricas que codifiquen los efectos del día de la semana o del mes. También puede pasar un parámetro locale para obtener los nombres en otros idiomas.

Una característica muy habitual es un indicador booleano que señala si una fecha cae en fin de semana. day_of_week >= 5 devuelve True para el sábado (5) y el domingo (6). Para características más sofisticadas de calendarios laborales, numpy.busdaycalendar gestiona los días festivos, pero en la mayoría de los casos la sencilla división entre días laborables y fines de semana recoge la mayor parte del efecto.

El accesor .dt también proporciona propiedades booleanas que identifican si una fecha se encuentra al principio o al final de un periodo: .dt.is_month_start, .dt.is_month_end, .dt.is_quarter_start, .dt.is_quarter_end, .dt.is_year_start y .dt.is_year_end. Son útiles para detectar periodos de informes, ciclos de facturación y efectos estacionales asociados a los límites de los periodos.

El mes y la hora son cíclicos: diciembre (12) está cerca de enero (1), y las 23:00 están cerca de las 00:00. Tratarlos como enteros lineales (1-12 o 0-23) induce a error a la mayoría de los modelos. Codifique las características cíclicas mediante transformaciones de seno y coseno: sin(2π × value / max_value) y cos(2π × value / max_value). De este modo, la estructura circular queda representada en dos columnas numéricas que los modelos pueden utilizar correctamente.

Restar dos columnas de fecha y hora produce una Series timedelta64. El accesor .dt de las Series timedelta expone .dt.days, .dt.seconds y .dt.total_seconds(). Esto permite calcular la duración de eventos, el tiempo transcurrido desde la última compra y la antigüedad en días, todo ello como columnas numéricas listas para análisis posteriores.

Cuando la fecha y hora es el índice del DataFrame (un DatetimeIndex) en lugar de una columna, acceda a las mismas propiedades directamente en el índice, sin .dt: df.index.year, df.index.month, df.index.day_of_week, etc. Puede añadirlas directamente como columnas nuevas: df['month'] = df.index.month.

A continuación se muestra una función completa de ingeniería de características temporales que recibe un DataFrame con una columna de fecha y hora y lo devuelve enriquecido con las características temporales más útiles. Este patrón se puede aplicar directamente al inicio de cualquier proceso de aprendizaje automático o análisis que trabaje con datos de eventos marcados temporalmente.

En esta lección ha aprendido que el accesor .dt proporciona acceso vectorizado a todas las propiedades de fecha y hora; entre las características extraídas más habituales se incluyen año, mes, día, day_of_week, hora y trimestre; la codificación cíclica con seno y coseno gestiona la naturaleza circular de las horas y los meses; y la aritmética con timedelta permite calcular duraciones en días o segundos. A continuación, exploraremos la arquitectura de figuras y ejes de Matplotlib para crear gráficos con calidad de publicación.