Estrarre caratteristiche temporali

Una colonna datetime64 grezza è poco interpretabile per la maggior parte degli algoritmi di machine learning: non sono in grado di capire che 2024-12-25 è un giorno festivo o che il Friday favorisce vendite al dettaglio più elevate. Il feature engineering temporale estrae componenti significative dalle colonne datetime — anno, mese, giorno, giorno della settimana, ora — trasformandole in colonne numeriche o categoriche separate, che i modelli e le funzioni di analisi possono utilizzare direttamente.

Quando una colonna di un DataFrame ha il tipo datetime64, l'accessor .dt espone vettorialmente tutte le proprietà e i metodi per datetime. Anziché applicare una funzione Python riga per riga, si scrive df['date'].dt.year e Pandas calcola l'anno per ogni riga in un'unica operazione rapida. Lo stesso accessor funziona sulle colonne timedelta64, con proprietà diverse.

Le proprietà .dt più utilizzate per le componenti della data sono: .dt.year, .dt.month, .dt.day, .dt.day_of_week (0=lunedì fino a 6=domenica), .dt.day_of_year, .dt.week o .dt.isocalendar().week, .dt.quarter e .dt.days_in_month. Ciascuna restituisce una Series di numeri interi utilizzabile direttamente come feature.

Per le colonne datetime che includono informazioni sull'ora, e non soltanto la data, usi .dt.hour, .dt.minute, .dt.second e .dt.microsecond. Sono fondamentali per l'analisi intraday, la modellazione del comportamento degli utenti (schemi mattutini rispetto a quelli serali) e tutti i sistemi in cui l'ora del giorno influisce sulla variabile obiettivo.

Per ottenere etichette leggibili, usi .dt.day_name() e .dt.month_name(), che restituiscono nomi testuali come 'Monday' e 'January'. Sono utili per la visualizzazione nei report e per creare feature categoriche che codificano gli effetti del giorno della settimana o del mese. È inoltre possibile passare una locale per ottenere i nomi in altre lingue.

Una feature molto comune è un flag booleano che indica se una data cade nel fine settimana. day_of_week >= 5 restituisce True per sabato (5) e domenica (6). Per feature più sofisticate basate sul calendario lavorativo, numpy.busdaycalendar gestisce i giorni festivi; nella maggior parte dei casi, però, la semplice distinzione tra giorni feriali e fine settimana cattura gran parte dell'effetto.

L'accessor .dt fornisce anche proprietà booleane che identificano se una data si trova all'inizio o alla fine di un periodo: .dt.is_month_start, .dt.is_month_end, .dt.is_quarter_start, .dt.is_quarter_end, .dt.is_year_start e .dt.is_year_end. Sono utili per rilevare periodi di rendicontazione, cicli di fatturazione ed effetti stagionali ai confini dei periodi.

Il mese e l'ora sono ciclici: dicembre (12) è vicino a gennaio (1) e le 23:00 sono vicine alle 00:00. Trattarli come numeri interi lineari (1-12 o 0-23) induce in errore la maggior parte dei modelli. Codifichi le feature cicliche usando le trasformazioni seno e coseno: sin(2π × value / max_value) e cos(2π × value / max_value). In questo modo la struttura circolare viene rappresentata in due colonne numeriche che i modelli possono utilizzare correttamente.

La sottrazione tra due colonne datetime produce una Series timedelta64. L'accessor .dt sulle Series timedelta espone .dt.days, .dt.seconds e .dt.total_seconds(). Ciò consente di calcolare la durata degli eventi, il tempo trascorso dall'ultimo acquisto e l'età in giorni, tutto sotto forma di colonne numeriche pronte per ulteriori analisi.

Quando il datetime è l'indice del DataFrame (un DatetimeIndex) anziché una colonna, acceda alle stesse proprietà direttamente sull'indice, senza .dt: df.index.year, df.index.month, df.index.day_of_week e così via. Può aggiungerle direttamente come nuove colonne: df['month'] = df.index.month.

Ecco una funzione completa di feature engineering temporale che riceve un DataFrame con una colonna datetime e lo restituisce arricchito con le feature temporali più utili. Questo schema è direttamente applicabile all'inizio di qualsiasi pipeline di machine learning o analisi che lavori con dati di eventi contrassegnati temporalmente.

In questa lezione ha imparato che l'accessor .dt consente di accedere vettorialmente a tutte le proprietà datetime; tra le feature estratte più comuni ci sono year, month, day, day_of_week, hour, quarter; la codifica ciclica con seno e coseno gestisce la natura circolare delle ore e dei mesi; e le operazioni aritmetiche con timedelta consentono di calcolare durate in giorni o secondi. Ora esploreremo l'architettura di figure e assi di Matplotlib per creare grafici di qualità editoriale.