ExpandingWindowFeatures#
- class feature_engine.timeseries.forecasting.ExpandingWindowFeatures(variables=None, min_periods=None, functions='mean', periods=1, freq=None, sort_index=True, missing_values='raise', drop_original=False, drop_na=False)[源代码][源代码]#
ExpandingWindowFeatures 基于扩展窗口操作向数据框添加新特征。扩展窗口操作是对相对于感兴趣值的所有过去值的扩展窗口执行的聚合操作。换句话说，扩展窗口特征是在使用所有过去数据的窗口计算统计数据（例如，均值、最小值、最大值等）之后创建的特征。例如，感兴趣月份之前所有月份的平均值就是一个扩展窗口特征。
ExpandingWindowFeatures 使用了 pandas 的函数
expanding()、agg()和shift()。通过expanding()，它创建了扩展窗口。通过agg()，它在这些窗口内应用多个函数。通过shift()，它将值分配到正确的行。有关支持的聚合函数，请参阅扩展窗口 函数。
为了与 ExpandingWindowFeatures 兼容，数据框的索引必须具有唯一值且不含 NaN。
ExpandingWindowFeatures 仅适用于数值变量。您可以传递一个变量列表作为扩展窗口的输入。或者，ExpandingWindowFeatures 将自动选择训练集中的所有数值变量。
更多详情请参见 用户指南。
- 参数
- variables: list, default=None
要转换的数值变量的列表。如果为 None，转换器将自动查找并选择所有数值变量。
- min_periods: int, 默认为 None.
窗口中所需的最小观测数量以获得一个值；否则，结果为 np.nan。更多详情请参见 pandas
expanding()文档中的参数min_periods。- 函数: str, 列表 of str, 默认 = ‘mean’
要在窗口内应用的函数。有效的函数可以在 这里 找到。
- periods: int, list of ints, default=1
要移动的周期数。可以是正整数。参见 pandas
shift中的参数periods。- freq: str, list of str, default=None
从 tseries 模块或时间规则使用的偏移量。参见 pandas
shift()中的参数freq。- sort_index: bool, default=True
是否在创建扩展窗口特征之前对数据框的索引进行排序。
- 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'，在学习参数或执行转换时将忽略缺失数据。- drop_original: bool, default=False
如果为 True，则转换的原始变量将从数据框中删除。
- drop_na: bool, default=False.
是否应移除创建特征中引入的NAN。
- 属性
- 变量_
用于创建扩展窗口特征的变量组。
- 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。
参见
pandas.expandingpandas.aggregatepandas.shift
示例
>>> import pandas as pd >>> from feature_engine.timeseries.forecasting import ExpandingWindowFeatures >>> X = pd.DataFrame(dict(date = ["2022-09-18", >>> "2022-09-19", >>> "2022-09-20", >>> "2022-09-21", >>> "2022-09-22"], >>> x1 = [1,2,3,4,5], >>> x2 = [6,7,8,9,10] >>> )) >>> ewf = ExpandingWindowFeatures() >>> ewf.fit_transform(X) date x1 x2 x1_expanding_mean x2_expanding_mean 0 2022-09-18 1 6 NaN NaN 1 2022-09-19 2 7 1.0 6.0 2 2022-09-20 3 8 1.5 6.5 3 2022-09-21 4 9 2.0 7.0 4 2022-09-22 5 10 2.5 7.5
方法
拟合：
此转换器不学习参数。
转换：
添加扩展窗口功能。
transform_x_y:
从 X 和 y 中移除包含缺失数据的行。
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。
set_params:
设置此估计器的参数。
- fit(X, y=None)[源代码]#
此转换器不学习参数。
- 参数
- X: pandas 数据框，形状为 = [样本数, 特征数]
训练数据集。
- y: pandas Series, default=None
在这个转换器中不需要 y。你可以传递 None 或 y。
- 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类数组的形状 (n_samples,) 或 (n_samples, n_outputs), 默认=None
目标值（无监督变换时为 None）。
- **fit_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_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作为估计器的子对象的参数。
- 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]#
添加扩展窗口功能。
- 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 + 窗口特征数]
包含原始变量和新变量的数据框。
- rtype
DataFrame..
- transform_x_y(X, y)[源代码]#
根据应用于 X 的变换，转换、对齐和调整 X 和 y，确保如果从 X 中删除了任何行，它们对应于相同的行集。
- 参数
- X: pandas 数据框，形状为 = [样本数, 特征数]
要转换的数据框。
- y: pandas Series 或 Dataframe，长度 = n_samples
要转换的目标变量。可以是多输出的。
- 返回
- X_new: pandas 数据框
转换后的数据框，形状为 [n_samples - n_rows, n_features]。它可能包含比原始数据集更少的行。
- y_new: pandas Series 或 DataFrame
转换后的目标变量，长度为 [n_samples - n_rows]。它包含的行数与 X_new 中剩余的行数相同。