建站
咨詢
售后
建站咨詢
新聞中心
使用Pandas和Python從時(shí)間序列數(shù)據(jù)中提取有意義的特征，包括移動平均，自相關(guān)和傅里葉變換。
創(chuàng)新互聯(lián)"三網(wǎng)合一"的企業(yè)建站思路。企業(yè)可建設(shè)擁有電腦版、微信版、手機(jī)版的企業(yè)網(wǎng)站。實(shí)現(xiàn)跨屏營銷，產(chǎn)品發(fā)布一步更新，電腦網(wǎng)絡(luò)+移動網(wǎng)絡(luò)一網(wǎng)打盡，滿足企業(yè)的營銷需求！創(chuàng)新互聯(lián)具備承接各種類型的成都網(wǎng)站設(shè)計(jì)、成都網(wǎng)站制作項(xiàng)目的能力。經(jīng)過十多年的努力的開拓，為不同行業(yè)的企事業(yè)單位提供了優(yōu)質(zhì)的服務(wù)，并獲得了客戶的一致好評。
前言
時(shí)間序列分析是理解和預(yù)測各個(gè)行業(yè)(如金融、經(jīng)濟(jì)、醫(yī)療保健等)趨勢的強(qiáng)大工具。特征提取是這一過程中的關(guān)鍵步驟，它涉及將原始數(shù)據(jù)轉(zhuǎn)換為有意義的特征，可用于訓(xùn)練模型進(jìn)行預(yù)測和分析。在本文中，我們將探索使用Python和Pandas的時(shí)間序列特征提取技術(shù)。
在深入研究特征提取之前，讓我們簡要回顧一下時(shí)間序列數(shù)據(jù)。時(shí)間序列數(shù)據(jù)是按時(shí)間順序索引的數(shù)據(jù)點(diǎn)序列。時(shí)間序列數(shù)據(jù)的例子包括股票價(jià)格、溫度測量和交通數(shù)據(jù)。時(shí)間序列數(shù)據(jù)可以是單變量，也可以是多變量。單變量時(shí)間序列數(shù)據(jù)只有一個(gè)變量，而多變量時(shí)間序列數(shù)據(jù)有多個(gè)變量。
有各種各樣的特征提取技術(shù)可以用于時(shí)間序列分析。在本文中，我們將介紹以下技術(shù):
- Resampling
- Moving Average
- Exponential Smoothing
- Autocorrelation
- Fourier Transform
1、Resampling
Resampling 重采樣主要是改變時(shí)間序列數(shù)據(jù)的頻率。這對于平滑噪聲或?qū)?shù)據(jù)采樣到較低的頻率很有用。Pandas提供了resample()方法對時(shí)間序列數(shù)據(jù)進(jìn)行重新采樣。resample()方法可用于對數(shù)據(jù)進(jìn)行上采樣或下采樣。下面是一個(gè)如何將時(shí)間序列降采樣到每日頻率的示例:
import pandas as pd
# create a time series with minute frequency
ts = pd.Series([1, 2, 3, 4, 5], index=pd.date_range('2022-01-01', periods=5, freq='T'))
# downsample to daily frequency
daily_ts = ts.resample('D').sum()
print(daily_ts)
在上面的例子中，我們創(chuàng)建了一個(gè)以分鐘為頻率的時(shí)間序列，然后使用resample()方法將其采樣到每天的頻率。
2、Moving Average
Moving Average 移動平均是一種通過在滾動窗口上求平均值來平滑時(shí)間序列數(shù)據(jù)的技術(shù)。可以幫助去除噪聲并得到數(shù)據(jù)的趨勢。Pandas提供了rolling()方法來計(jì)算時(shí)間序列的平均值。下面是一個(gè)如何計(jì)算時(shí)間序列的平均值的例子:
import pandas as pd
# create a time series
ts = pd.Series([1, 2, 3, 4, 5])
# calculate the rolling mean with a window size of 3
rolling_mean = ts.rolling(window=3).mean()
print(rolling_mean)
我們創(chuàng)建了一個(gè)時(shí)間序列，然后使用rolling()方法計(jì)算窗口大小為3的移動平均值。
可以看到前兩個(gè)值因?yàn)闆]有到達(dá)移動平均的最小數(shù)量3，所以會產(chǎn)生NAN，如果需要的話可以再使用fillna方法進(jìn)行填充。
3、Exponential Smoothing
Exponential Smoothing 指數(shù)平滑是一種通過賦予最近值更多權(quán)重來平滑時(shí)間序列數(shù)據(jù)的技術(shù)。它可以幫助去除噪聲獲得數(shù)據(jù)的趨勢。Pandas提供了計(jì)算指數(shù)移動平均的ewm()方法。
import pandas as pd
ts = pd.Series([1, 2, 3, 4, 5])
ts.ewm( alpha =0.5).mean()
在上面的例子中，我們創(chuàng)建了一個(gè)時(shí)間序列，然后使用ewm()方法計(jì)算平滑因子為0.5的指數(shù)移動平均。
ewm有很多的參數(shù)，這里我們介紹幾個(gè)主要的。
com：根據(jù)質(zhì)心指定衰減
span 根據(jù)范圍指定衰減
halflife 根據(jù)半衰期指定衰減
alpha 指定平滑系數(shù)α
以上4個(gè)參數(shù)都是指定平滑系數(shù)α，只是前三個(gè)是根據(jù)條件計(jì)算出來的，最后一個(gè)是手動指定，所以至少要有一個(gè)，例如上面的例子我們就直接手動設(shè)定了0.5
min_periods 窗口中具有值的最小觀察數(shù)，默認(rèn) 0。
adjust 是否進(jìn)行誤差修正 默認(rèn)True。
adjust =Ture時(shí)公式如下：
adjust =False
4、Autocorrelation
Autocorrelation 自相關(guān)是一種用于測量時(shí)間序列與其滯后版本之間相關(guān)性的技術(shù)?？梢宰R別數(shù)據(jù)中重復(fù)的模式。Pandas提供了autocorr()方法來計(jì)算自相關(guān)性。
import pandas as pd
# create a time series
ts = pd.Series([1, 2, 3, 4, 5])
# calculate the autocorrelation with a lag of 1
autocorr = ts.autocorr(lag=1)
print(autocorr)
5、Fourier Transform
Fourier Transform 傅里葉變換是一種將時(shí)間序列數(shù)據(jù)從時(shí)域變換到頻域的技術(shù)?？梢宰R別數(shù)據(jù)中的周期性模式。我們可以使用numpy的fft()方法來計(jì)算時(shí)間序列的快速傅里葉變換。
import pandas as pd
import numpy as np
# create a time series
ts = pd.Series([1, 2, 3, 4, 5])
# calculate the Fourier transform
fft = pd.Series(np.fft.fft(ts).real)
print(fft)
這里我們只顯示了實(shí)數(shù)的部分。
總結(jié)
在本文中，我們介紹了幾種使用Python和Pandas的時(shí)間序列特征提取技術(shù)。這些技術(shù)可以幫助將原始時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為可用于分析和預(yù)測的有意義的特征，在訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)，這些特征都可以當(dāng)作額外的數(shù)據(jù)輸入到模型中，可以增加模型的預(yù)測能力。
本文題目：時(shí)間序列特征提取的Python和Pandas代碼示例
當(dāng)前URL：http://www.dlmjj.cn/article/djsgdog.html
