Wyodrębnianie cech czasowych

Surowa kolumna typu datetime64 jest nieczytelna dla większości algorytmów uczenia maszynowego — nie potrafią one rozpoznać, że 2024-12-25 jest świętem ani że Friday wpływa na wyższą sprzedaż detaliczną. Inżynieria cech czasowych wyodrębnia z kolumn daty i czasu znaczące składniki — rok, miesiąc, dzień, dzień tygodnia i godzinę — jako osobne kolumny liczbowe lub kategoryczne, z których modele i funkcje analityczne mogą korzystać bezpośrednio.

Gdy kolumna DataFrame ma typ datetime64, akcesor .dt udostępnia wektorowo wszystkie właściwości i metody daty i czasu. Zamiast stosować funkcję języka Python do każdego wiersza, należy użyć df['date'].dt.year, a Pandas obliczy rok dla każdego wiersza w ramach jednej szybkiej operacji. Ten sam akcesor działa na kolumnach typu timedelta64, udostępniając inne właściwości.

Najczęściej używane właściwości .dt dotyczące składników daty to: .dt.year, .dt.month, .dt.day, .dt.day_of_week (0 = poniedziałek, a 6 = niedziela), .dt.day_of_year, .dt.week lub .dt.isocalendar().week, .dt.quarter oraz .dt.days_in_month. Każda z nich zwraca Series liczb całkowity, których można bezpośrednio użyć jako cech.

W przypadku kolumn daty i czasu, które zawierają również informacje o godzinie, należy użyć .dt.hour, .dt.minute, .dt.second oraz .dt.microsecond. Są one kluczowe w analizie śróddziennej, modelowaniu zachowań użytkowników (wzorce poranne i wieczorne) oraz w każdym systemie, w którym pora dnia wpływa na zmienną docelową.

Aby uzyskać etykiety czytelne dla człowieka, należy użyć .dt.day_name() i .dt.month_name(), które zwracają nazwy tekstowe, takie jak 'Monday' i 'January'. Są one przydatne podczas wyświetlania danych w raportach oraz tworzenia cech kategorycznych kodujących wpływ dnia tygodnia lub miesiąca. Można również przekazać parametr locale, aby uzyskać nazwy w innych językach.

Bardzo często używaną cechą jest flaga logiczna wskazująca, czy dana data przypada w weekend. day_of_week >= 5 zwraca True dla soboty (5) i niedzieli (6). W przypadku bardziej zaawansowanych cech związanych z kalendarzem biznesowym numpy.busdaycalendar obsługuje dni świąteczne, jednak w większości przypadków prosty podział na dni robocze i weekend oddaje większość tego efektu.

Akcesor .dt udostępnia również właściwości logiczne wskazujące, czy data przypada na początek lub koniec okresu: .dt.is_month_start, .dt.is_month_end, .dt.is_quarter_start, .dt.is_quarter_end, .dt.is_year_start oraz .dt.is_year_end. Są one przydatne do wykrywania okresów sprawozdawczych, cykli rozliczeniowych i sezonowych efektów granicznych.

Miesiąc i godzina mają charakter cykliczny — grudzień (12) jest blisko stycznia (1), a 23:00 jest blisko 00:00. Traktowanie ich jak liniowych liczb całkowitych (1–12 lub 0–23) wprowadza większość modeli w błąd. Cechy cykliczne należy kodować za pomocą transformacji sinusoidalnej i cosinusoidalnej: sin(2π × value / max_value) oraz cos(2π × value / max_value). W ten sposób struktura kołowa zostaje odwzorowana w dwóch kolumnach liczbowych, z których modele mogą poprawnie korzystać.

Odjęcie od siebie dwóch kolumn daty i czasu tworzy Series typu timedelta64. Akcesor .dt dla Series typu timedelta udostępnia .dt.days, .dt.seconds oraz .dt.total_seconds(). Dzięki temu można obliczać czas trwania zdarzeń, czas od ostatniego zakupu oraz wiek w dniach — wszystko jako kolumny liczbowe gotowe do dalszej analizy.

Gdy data i czas znajdują się w indeksie DataFrame (DatetimeIndex), a nie w kolumnie, należy uzyskać dostęp do tych samych właściwości bezpośrednio przez indeks, bez użycia .dt: df.index.year, df.index.month, df.index.day_of_week itd. Można dodać je bezpośrednio jako nowe kolumny: df['month'] = df.index.month.

Oto kompletna funkcja inżynierii cech czasowych, która przyjmuje DataFrame z kolumną daty i czasu oraz zwraca go wzbogaconego o najbardziej przydatne cechy czasowe. Ten schemat można bezpośrednio zastosować na początku dowolnego potoku uczenia maszynowego lub analizy pracującego z danymi zdarzeń opatrzonymi znacznikami czasu.

Sprawdź swoją wiedzę na temat wyodrębniania cech czasowych z kolumn daty i czasu.

W tej lekcji nauczyli się Państwo, że: akcesor .dt zapewnia wektorowy dostęp do wszystkich właściwości daty i czasu; często wyodrębniane cechy to rok, miesiąc, dzień, day_of_week, godzina i kwartał; kodowanie cykliczne za pomocą sinusa i cosinusa obsługuje cykliczny charakter godzin i miesięcy; a operacje arytmetyczne na timedelta pozwalają obliczać czas trwania w dniach lub sekundach. W następnym kroku poznamy architekturę obiektów figure i axes w Matplotlib, używaną do tworzenia wykresów o jakości publikacyjnej.