featuretools.EntitySet.add_dataframe#

EntitySet.add_dataframe(dataframe, dataframe_name=None, index=None, logical_types=None, semantic_tags=None, make_index=False, time_index=None, secondary_time_index=None, already_sorted=False)[source]#

将带有 Woodwork 类型信息的 DataFrame 添加到 EntitySet 中.

Parameters:

  • dataframe (pandas.DataFrame) – 包含数据的 DataFrame.

  • dataframe_name (str, 可选) – 与此 DataFrame 关联的唯一名称.如果输入的 DataFrame 未初始化 Woodwork,则必须提供此参数.

  • index (str, 可选) – 用于索引 DataFrame 的列名.必须唯一.如果为 None,则取第一列.

  • logical_types (dict[str -> Woodwork.LogicalTypes/str, 可选]) – 键是列名,值是逻辑类型.如果未指定,将进行推断.

  • semantic_tags (dict[str -> str/set], 可选) – 键是列名,值是语义标签.

  • make_index (bool, 可选) – 如果为 True,假设 index 不存在于 DataFrame 的列中,并创建一个使用整数的新列.否则,假设 index 已存在.

  • time_index (str, 可选) – 包含时间数据的列名.类型必须是数值或日期时间类型.

  • secondary_time_index (dict[str -> list[str]]) – 包含时间数据的列名,用作二级时间索引,映射到与此二级时间索引关联的 DataFrame 中的列列表.

  • already_sorted (bool, 可选) – 如果为 True,假设输入的 DataFrame 已经按时间排序.默认为 False.

注意:

将从数据中推断逻辑类型.

Examples

In [1]: import featuretools as ft

In [2]: import pandas as pd

In [3]: transactions_df = pd.DataFrame({"id": [1, 2, 3, 4, 5, 6],
   ...:                                 "session_id": [1, 2, 1, 3, 4, 5],
   ...:                                 "amount": [100.40, 20.63, 33.32, 13.12, 67.22, 1.00],
   ...:                                 "transaction_time": pd.date_range(start="10:00", periods=6, freq="10s"),
   ...:                                 "fraud": [True, False, True, False, True, True]})
   ...: 

In [4]: es = ft.EntitySet("example")

In [5]: es.add_dataframe(dataframe_name="transactions",
   ...:                  index="id",
   ...:                  time_index="transaction_time",
   ...:                  dataframe=transactions_df)
   ...: 
Out[5]: 
Entityset: example
  DataFrames:
    transactions [Rows: 6, Columns: 5]
  Relationships:
    No relationships

In [6]: es["transactions"]
Out[6]: 
   id  session_id  amount    transaction_time  fraud
1   1           1  100.40 2024-10-11 10:00:00   True
2   2           2   20.63 2024-10-11 10:00:10  False
3   3           1   33.32 2024-10-11 10:00:20   True
4   4           3   13.12 2024-10-11 10:00:30  False
5   5           4   67.22 2024-10-11 10:00:40   True
6   6           5    1.00 2024-10-11 10:00:50   True