DatetimeFeatures#

class feature_engine.datetime.DatetimeFeatures(variables=None, features_to_extract=None, drop_original=True, missing_values='raise', dayfirst=False, yearfirst=False, utc=None, format=None)[源代码][源代码]#

DatetimeFeatures 从日期时间变量中提取日期和时间特征，并将新列添加到数据集中。DatetimeFeatures 可以从现有的日期时间或类似对象的变量中提取日期时间信息，或者从数据框索引中提取。

DatetimeFeatures 使用 pandas.to_datetime 将对象变量转换为日期时间，并使用 pandas.dt 从日期时间中提取特征。

transformer 支持提取以下特征：

“月份”
quarter
学期
“年”
周
day_of_week
day_of_month
day_of_year
“周末”
“month_start”
“month_end”
quarter_start
quarter_end
“year_start”
“year_end”
leap_year
days_in_month
小时
“minute”
“第二”

更多详情请参阅用户指南。

参数

变量: str, list, 默认=None

从其中提取日期和时间信息的变量列表。如果为 None，转换器将查找并选择所有日期时间变量，包括可以转换为日期时间的对象类型变量。如果为 “index”，转换器将从数据框的索引中提取日期时间特征。

features_to_extract: list, default=None

要提取的日期特征列表。如果为 None，将提取以下特征：”month”、”year”、”day_of_week”、”day_of_month”、”hour”、”minute” 和 “second”。如果为 “all”，将提取所有支持的特征。或者，您可以传递一个包含您想要提取的特征名称的列表。

drop_original: bool, default=”True”

如果为真，原始的日期时间变量将从数据框中删除。

missing_values: string, default=’raise’

指示是否应忽略缺失值或引发错误。如果为 ‘raise’，当 fit 或 transform 的数据集包含缺失值时，转换器将返回错误。如果为 ‘ignore’，在执行特征提取时将忽略缺失数据。缺失数据仅在用于推导日期和时间特征的变量中进行评估。如果特征是从数据框索引中派生的，则将在索引中检查缺失数据。

dayfirst: bool, 默认=”False”

如果 arg 是字符串或类似列表，请指定日期解析顺序。如果为 True，则先解析日期中的天，例如 10/11/12 解析为 2012-11-10。与 pandas.to_datetime 中的相同。

yearfirst: bool, 默认=”False”

如果 arg 是字符串或类似列表，请指定日期解析顺序。与 pandas.to_datetime 中的相同。

如果为真，则以年份为先解析日期，例如 10/11/12 解析为 2010-11-12。
如果 dayfirst 和 yearfirst 都为 True，则 yearfirst 优先。

utc: bool, default=None

如果为 True，则返回 UTC DatetimeIndex（同时转换任何 tz-aware 的 datetime.datetime 对象）。与 pandas.to_datetime 中的相同。

format: str, default None

用于解析时间的 strftime 格式，例如 “%d/%m/%Y”。有关更多选项，请查看 pandas 的 to_datetime() 文档。如果你有不同格式的变量，可以传递“mixed”，以单独推断每个元素的格式。这是有风险的，根据 pandas 的文档，你可能应该与 dayfirst 一起使用它。

属性

变量_: 将从其中提取日期和时间特征的变量列表。如果为 None，则将从数据框索引中提取特征。
features_to_extract_:: 将从每个变量或索引中提取的日期和时间特征。
feature_names_in_:: 列出在 fit 过程中看到的特征名称。
n_features_in_:: 在拟合中使用的训练集中的特征数量。

参见

pandas.to_datetime
pandas.dt

示例

>>> import pandas as pd
>>> from feature_engine.datetime import DatetimeFeatures
>>> X = pd.DataFrame(dict(date = ["2022-09-18", "2022-10-27", "2022-12-24"]))
>>> dtf = DatetimeFeatures(features_to_extract = ["year", "month", "day_of_month"])
>>> dtf.fit(X)
>>> dtf.transform(X)
    date_year  date_month  date_day_of_month
0       2022           9                 18
1       2022          10                 27
2       2022          12                 24

方法

拟合：	此转换器不学习参数。
fit_transform:	拟合数据，然后进行转换。
get_feature_names_out:	获取转换后的输出特征名称。
get_params:	获取此估计器的参数。
设置参数:	设置此估计器的参数。
转换：	添加日期和时间功能。

fit(X, y=None)[源代码][源代码]#

这个转换器不学习任何参数。

查找日期时间变量或检查用户选择的变量是否可以转换为日期时间。

参数

X: pandas 数据框，形状为 = [样本数, 特征数]: 训练输入样本。可以是整个数据框，而不仅仅是需要转换的变量。
y: pandas Series, default=None: 在这个转换器中不需要。你可以传递 y 或 None。

fit_transform(X, y=None, **fit_params)[源代码]#

拟合数据，然后进行转换。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数

X类似数组的形状 (n_samples, n_features): 输入样本。
y类似数组的形状 (n_samples,) 或 (n_samples, n_outputs), 默认=None: 目标值（无监督变换为None）。
**拟合参数dict: 附加的拟合参数。

返回

X_newndarray 数组，形状为 (n_samples, n_features_new): 转换后的数组。

get_feature_names_out(input_features=None)[源代码]#

获取转换后的特征名称。换句话说，返回转换后的数据框的变量名称。

参数

输入特征数组或列表，默认=None

此参数仅为了与 Scikit-learn 管道兼容而存在。

如果为 None，则使用 feature_names_in_ 作为特征名称。
如果是一个数组或列表，那么 input_features 必须与 feature_names_in_ 匹配。

返回

feature_names_out: 列表: 转换后的特征名称。

rtype: List[Union[str, int]] ..

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回

路由MetadataRequest: 一个封装了路由信息的 MetadataRequest。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数

深度bool, 默认=True: 如果为真，将返回此估计器及其包含的子对象（这些子对象也是估计器）的参数。

返回

参数dict: 参数名称映射到它们的值。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（如 Pipeline）。后者的参数形式为 <component>__<parameter>，因此可以更新嵌套对象的每个组件。

参数

**参数dict: 估计器参数。

返回

self估计器实例: 估计器实例。

transform(X)[源代码][源代码]#

提取日期和时间特征，并将它们添加到数据框中。

参数

X: pandas 数据框，形状为 = [样本数, 特征数]: 要转换的数据。

返回

X_new: Pandas 数据框, 形状 = [样本数, 特征数 x 数据框特征数]: 包含原始变量及新变量的数据框。

rtype: DataFrame ..

This site uses cookies

DatetimeFeatures#