Extraire des caractéristiques temporelles

Une colonne brute de type datetime64 est opaque pour la plupart des algorithmes d’apprentissage automatique : ils ne peuvent pas comprendre que 2024-12-25 est un jour férié ou que Friday entraîne une hausse des ventes au détail. La création de variables temporelles extrait des composants significatifs des colonnes de dates et heures — année, mois, jour, jour de la semaine, heure — pour en faire des colonnes numériques ou catégorielles distinctes, que les modèles et les fonctions d’analyse peuvent exploiter directement.

Lorsqu’une colonne d’un DataFrame possède le type datetime64, l’accesseur .dt expose vectoriellement toutes les propriétés et méthodes liées aux dates et heures. Au lieu d’appliquer une fonction Python ligne par ligne, vous écrivez df['date'].dt.year et Pandas calcule l’année pour chaque ligne en une seule opération rapide. Le même accesseur fonctionne avec les colonnes timedelta64, qui disposent de propriétés différentes.

Les propriétés .dt les plus utilisées pour les composants d’une date sont : .dt.year, .dt.month, .dt.day, .dt.day_of_week (0 = lundi jusqu’à 6 = dimanche), .dt.day_of_year, .dt.week ou .dt.isocalendar().week, .dt.quarter et .dt.days_in_month. Chacune renvoie une Series d’entiers pouvant être utilisée directement comme variable.

Pour les colonnes de dates et heures qui contiennent des informations horaires, et pas uniquement une date, utilisez .dt.hour, .dt.minute, .dt.second et .dt.microsecond. Ces propriétés sont essentielles pour l’analyse intrajournalière, la modélisation du comportement des utilisateurs (tendances du matin et du soir) et tout système où l’heure de la journée influence la variable cible.

Pour obtenir des libellés lisibles, utilisez .dt.day_name() et .dt.month_name() afin d’obtenir des noms sous forme de chaînes comme 'Monday' et 'January'. Ces fonctions sont utiles pour l’affichage dans des rapports et pour créer des variables catégorielles représentant les effets du jour de la semaine ou du mois. Vous pouvez également transmettre une locale pour obtenir les noms dans d’autres langues.

Une variable très courante est un indicateur booléen précisant si une date tombe un week-end. day_of_week >= 5 renvoie True pour le samedi (5) et le dimanche (6). Pour des variables plus élaborées liées au calendrier ouvré, numpy.busdaycalendar gère les jours fériés ; cependant, dans la plupart des cas, la simple distinction entre jours de semaine et week-end suffit à capturer l’essentiel de l’effet.

L’accesseur .dt fournit également des propriétés booléennes qui indiquent si une date se situe au début ou à la fin d’une période : .dt.is_month_start, .dt.is_month_end, .dt.is_quarter_start, .dt.is_quarter_end, .dt.is_year_start et .dt.is_year_end. Elles sont utiles pour détecter les périodes de reporting, les cycles de facturation et les effets saisonniers aux limites des périodes.

Le mois et l’heure sont des valeurs cycliques : décembre (12) est proche de janvier (1), et 23 h est proche de 0 h. Les traiter comme des entiers linéaires (1 à 12 ou 0 à 23) induit la plupart des modèles en erreur. Encodez les variables cycliques à l’aide de transformations sinusoïdales et cosinusoïdales : sin(2π × value / max_value) et cos(2π × value / max_value). Cette méthode représente la structure circulaire dans deux colonnes numériques que les modèles peuvent utiliser correctement.

Soustraire deux colonnes de dates et heures produit une Series timedelta64. L’accesseur .dt appliqué à une Series de durées expose .dt.days, .dt.seconds et .dt.total_seconds(). Vous pouvez ainsi calculer la durée d’événements, le temps écoulé depuis le dernier achat et l’âge en jours, le tout sous forme de colonnes numériques prêtes pour une analyse ultérieure.

Lorsque la date et l’heure constituent l’index du DataFrame (un DatetimeIndex) plutôt qu’une colonne, accédez directement aux mêmes propriétés sur l’index, sans .dt : df.index.year, df.index.month, df.index.day_of_week, etc. Vous pouvez les ajouter directement comme nouvelles colonnes : df['month'] = df.index.month.

Voici une fonction complète de création de variables temporelles qui prend un DataFrame contenant une colonne de dates et heures et renvoie ce DataFrame enrichi des variables temporelles les plus utiles. Ce modèle s’applique directement au début de tout pipeline d’apprentissage automatique ou d’analyse travaillant sur des données d’événements horodatés.

Dans cette leçon, vous avez appris que l’accesseur .dt permet d’accéder vectoriellement à toutes les propriétés des dates et heures ; que les variables couramment extraites comprennent l’année, le mois, le jour, le jour de la semaine, l’heure et le trimestre ; que l’encodage cyclique avec le sinus et le cosinus gère la nature circulaire des heures et des mois ; et que les opérations arithmétiques sur les durées permettent de calculer des durées en jours ou en secondes. Nous allons maintenant découvrir l’architecture des figures et des axes de Matplotlib pour créer des graphiques de qualité professionnelle.