DatetimeSubtraction#
- class feature_engine.datetime.DatetimeSubtraction(variables=None, reference=None, new_variables_names=None, output_unit='D', missing_values='ignore', drop_original=False, dayfirst=False, yearfirst=False, utc=None, format=None)[源代码][源代码]#
DatetimeSubtraction() 在一组日期时间变量和一个或多个日期时间特征之间应用日期时间减法，并将结果变量添加到数据框中。
DatetimeSubtraction() 适用于被转换为 datetime 或 object 类型的变量。它从参数
variables中列出的变量中减去参数reference中列出的变量。更多详情请参见 用户指南。
- 参数
- 变量: 列表
参考变量将从其减去的日期时间变量列表（减法操作的左侧）。
- 参考：列表
将从 `variables`（减法操作的右侧）中减去的 datetime 引用变量的列表。
- new_variables_names: list, default=None
新变量的名称。您可以选择传递一个包含您希望分配给新变量的名称的列表。如果为
None，转换器将分配任意名称。- output_unit: string, default=’D’
datetime差异的输出单位的字符串表示。默认值是`D`表示天。此参数传递给`numpy.timedelta64`。其他可能的值包括`Y`表示年，`M`表示月，`W`表示周，`h`表示小时，`m`表示分钟，`s`表示秒，`ms`表示毫秒，`us`或`μs`表示微秒，`ns`表示纳秒，`ps`表示皮秒，`fs`表示飞秒，`as`表示阿托秒。
- missing_values: string, default=’raise’
指示是否应忽略缺失值或引发异常。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'，在学习参数或执行转换时将忽略缺失数据。- drop_original: bool, default=”False”
如果
True，在计算新特征后，variables和reference中列出的变量将从数据框中删除。- dayfirst: bool, 默认值为“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”
如果参数是字符串或类似列表的对象，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, 默认 None
用于解析时间的 strftime，例如“%d/%m/%Y”。有关更多选项，请查看 pandas 的
to_datetime()。如果你有不同格式的变量，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_
从其中将减去
reference中变量的 datetime 变量列表。在转换器确认variables中的变量是 datetime 类型或可以解析为 datetime 类型后创建。- 参考_
将从
variables_中减去的包含 datetime 变量的列表。在转换器确认reference中的变量是 datetime 类型或可以解析为 datetime 类型之后创建。- feature_names_in_:
列出在
fit过程中看到的特征名称。- n_features_in_:
在拟合过程中使用的训练集中的特征数量。
示例
>>> import pandas as pd >>> from feature_engine.datetime import DatetimeSubtraction >>> X = pd.DataFrame({ >>> "date1": ["2022-09-18", "2022-10-27", "2022-12-24"], >>> "date2": ["2022-08-18", "2022-08-27", "2022-06-24"]}) >>> dtf = DatetimeSubtraction(variables=["date1"], reference=["date2"]) >>> dtf.fit(X) >>> dtf.transform(X) date1 date2 date1_sub_date2 0 2022-09-18 2022-08-18 31.0 1 2022-10-27 2022-08-27 61.0 2 2022-12-24 2022-06-24 183.0
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:
创建新功能。
- fit(X, y=None)[源代码][源代码]#
这个转换器不学习任何参数。
- 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, 或 np.array. 默认=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形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None
目标值（无监督变换为None）。
- **拟合参数dict
额外的拟合参数。
- 返回
- X_newndarray 数组，形状为 (n_samples, n_features_new)
转换后的数组。
- get_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。