稚久|特征工程之处理时间序列数据 12345678

维基百科对于特征工程的定义是：利用相关领域知识，通过数据挖掘技术从原始数据中提取特征的过程。这些特征可以用来提高机器学习算法的性能。
不过，特征工程不一定非得很花哨。特征工程的一个简单但普遍的处理对象是时间序列数据。特征工程在这个领域的重要性是因为（原始）时间序列数据通常只包含一个表示时间属性的列，即日期时间（或时间戳）。
对于日期时间数据，特征工程可以看作是从独立的（不同的）特征数据中提取有用的信息。例如，从"2020–07–01 10:21:05"这日期时间数据中，我们可能需要从中提取以下特征：
1. 月份：7
1. 本月第几日：1
1. 周几：周三（通过2020-07-01判断得到）
1. 时刻：10：21：05
从日期时间数据中提取这类特征正是本文的目标。之后，我们将结合我们的工程实际中的特征数据，将其作为预测因子，并且建立一个gradient boosting 回归预测模型。具体来说，我们将预测地铁州际交通量。
本文目录本文主要包含以下内容：
详细阐述如何从时间日期数据中提取以下特征数据：
1. 月份
1. 时间数据处于每月第几日
1. 周几
1. 时间
1. 时段分类（早上、下午等）
1. 周末标记（如果是周末则添加标记1 ，否则添加标记0）
如何将上述特种数据用于搭建Gradient Boosting 回归模型，并且实现对于地铁州际交通量的预测
数据情况在本文中，我们使用地铁州际交通量数据集，它可以在UCI机器学习库（archive.ics.uci.edu/ml/datasets/Metro+Interstate+Traffic+Volume）中找到。该数据集是明尼苏达州圣保罗州明尼阿波利斯市I-94的每小时交通量，其中包括2012-2018年的天气和假日数据。这48204行数据包含以下属性：
1. holiday：类型数据，包含美国国家法定假日、区域假日、明尼苏达州博览会等
1. temp：数值型数据，平均温度（开尔文）
1. rain_1h：数值型数据，每小时降雨（毫米）
1. snow_1h：数值型数据，每小时降雪（毫米）
1. clouds_all：数值型数据，云层情况（百分比）
1. weather_main：类型数据，当前天气的分类描述（简要）
1. weather_description：类型数据，当前天气的分类描述（详细）
1. data_time：时间序列数据
1. traffic_volume：数值型数据，每小时I-94 ATR 301记录的西行交通量（本文预测目标）
接下来，我们首先载入数据：
# import librariesimport pandas as pdimport numpy as npimport matplotlib.pyplot as plt# load the dataraw = pd.read_csv('Metro_Interstate_Traffic_Volume.csv')# display first five rowsraw.head()# display details for each columnraw.info()
raw.head()
raw.info()查看info信息，我们发现data_time这一类目是object类型，所以我们需要将其转化为datetime类型：
# convert date_time column to datetime typeraw.date_time = pd.to_datetime(raw.date_time)特征工程从上面的info方法的输出中，我们知道除了date_time列之外还有其他的分类特征。但是由于本文的主要主题是处理时间序列数据，我们将重点关注针对date_time的特性工程。