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 libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# load the dataraw = pd.read_csv('Metro_Interstate_Traffic_Volume.csv')
# display first five rowsraw.head()# display details for each column
raw.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 type
raw.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。

Month

Pandas自身有许多易于使用的方法来处理datetime类型的数据。要提取时间/日期信息，我们只需调用pd.Series.dt。pd.Series.dt.month是提取month信息所需的函数。这将产生一系列int64格式的月份数字（例如1代表1月，10代表10月）。

# extract month feature
months = raw.date_time.dt.month

Day of month

和Month类似，我们只需要调用pd.Series.dt.day函数。以2012-10-27 09:00:00为例，调用该函数提取结果为27。

# extract day of month feature
day_of_months = raw.date_time.dt.day

Hour

类似地，pd.Series.dt.hour将生产对应的小时信息数据（范围为0-23的整数）。

# extract hour feature
hours = raw.date_time.dt.hour

Day name

获取Day name的方式和上面几个数据有所不同。我们想要确定raw.date_time序列中关于星期几的信息，需要以下两个步骤。首先，通过pd.Series.dt.day_name()生成day name序列。然后，我们需要通过pd.get_dummies()进行独热编码（one-hot encode）。

# first: extract the day name literal
to_one_hot = raw.date_time.dt.day_name()
# second: one hot encode to 7 columns
days = pd.get_dummies(to_one_hot)
#display data
days

独热编码后的Day name信息

Daypart

在本部分中，我们将基于Hour数据创建一个分组。我们希望有六个小组代表每一天的各个部分。它们是黎明（02.00-05.59）、上午（06.00-09.59）、中午（10.00-13.59）、下午（14.00-17.59）、晚上（18.00-21.59）和午夜（22.00-次日01.59）。

为此，我们创建了一个标识函数，稍后将使用该函数来作为数据系列的Apply方法。然后，我们对得到的dayparts执行一个热编码。

# daypart function
def daypart(hour):    if hour in [2,3,4,5]:
        return "dawn"
    elif hour in [6,7,8,9]:
        return "morning"
    elif hour in [10,11,12,13]:
        return "noon"
    elif hour in [14,15,16,17]:
        return "afternoon"
    elif hour in [18,19,20,21]:
        return "evening"
    else: return "midnight"
# utilize it along with apply methodraw_dayparts = hours.apply(daypart)# one hot encodingdayparts = pd.get_dummies(raw_dayparts)# re-arrange columns for convenience
dayparts = dayparts[['dawn','morning','noon','afternoon','evening','midnight']]
#display datadayparts

独热编码后的Day parts信息

Weekend flag

我们从date_time时间序列数据中提取的最后一个特征是is_weekend。这一特征指示给定的日期时间是否在周末（星期六或星期日）。为了实现这一目标，我们将利用pd.Series.dt.day_name()方法以及lambda函数。

# is_weekend flag 
day_names = raw.date_time.dt.day_name()
is_weekend = day_names.apply(lambda x : 1 if x in ['Saturday','Sunday'] else 0)

Holiday flag 以及 weather

幸运的是，这些数据还包含公共假日信息。信息是细粒度的，因为它提到每个公共假日的名称。尽管如此，本文假设对每个假期进行编码并没有显著的好处。因此，让我们创建一个二进制特性来指示对应的日期是否是假日。

# is_holiday flag
is_holiday = raw.holiday.apply(lambda x : 0 if x == "None" else 1)

我们需要考虑的最后一个分类特征是天气。我们只对该特征进行如下独热编码。

# one-hot encode weather
weathers = pd.get_dummies(raw.weather_main)
#display data
weathers

独热编码后的Weather信息

特征处理后的数据

现在，我们终于有了最终的可用于训练的数据！让我们创建一个名为features的全新数据集，它包含所有的特征，包括数值型特征（我们从原始数据中按原样放置）和类型特征（我们设计的特性）。

# features table
#first step: include features with single column naturefeatures = pd.DataFrame({    'temp' : raw.temp,
    'rain_1h' : raw.rain_1h,
    'snow_1h' : raw.snow_1h,
    'clouds_all' : raw.clouds_all,
    'month' : months,
    'day_of_month' : day_of_months,
    'hour' : hours,
    'is_holiday' : is_holiday,
    'is_weekend' : is_weekend
})#second step: concat with one-hot encode typed features
features = pd.concat([features, days, dayparts, weathers], axis = 1)
# target columntarget = raw.traffic_volume

在我们将数据输入模型之前，我们需要分割数据（训练集和测试集）。请注意，下面我们不随机化我们的数据，这是由于我们的数据具有时间序列特征。

#split data into training and test data
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.1, shuffle = False)

建立回归预测模型

现在我们准备建立我们的模型来预测地铁州际交通量。在这项工作中，我们将使用Gradient Boosting回归模型。

该模型的理论和具体细节超出了本文的讨论范围。但是简单来说，gradient-boosting模型属于集成模型，它使用梯度下降算法来降低弱学习模型（决策树）中的预测损失。

训练模型

让我们在训练数据上实例化模型并训练模型！

from sklearn import datasets, ensemble
# define the model parametersparams = {'n_estimators': 500,
          'max_depth': 4,
          'min_samples_split': 5,
          'learning_rate': 0.01,
          'loss': 'ls'}
# instantiate and train the modelgb_reg = ensemble.GradientBoostingRegressor(**params)gb_reg.fit(X_train, y_train)

评价模型

我们选择两个指标来评价模型：MAPE 和 R2得分。在测试集上使用训练完成的模型进行预测，然后计算这两个指标。

# define MAPE function
def mape(true, predicted):        
    inside_sum = np.abs(predicted - true) / true
    return round(100 * np.sum(inside_sum ) / inside_sum.size,2)
# import r2 score
from sklearn.metrics import r2_score
# evaluate the metricsy_true = y_testy_pred = gb_reg.predict(X_test)#print(f"GB model MSE is {round(mean_squared_error(y_true, y_pred),2)}")
print(f"GB model MAPE is {mape(y_true, y_pred)} %")
print(f"GB model R2 is {round(r2_score(y_true, y_pred)* 100 , 2)} %")

测试集上的评价指标结果

我们可以看出我们的模型性能相当不错。我们的MAPE低于15%，而R2得分略高于95%。

结果可视化

为了直观理解模型性能，结果可视化很有必要。

由于我们的测试数据（4820个数据点）的长度，我们只绘制了最后100个数据点上的实际值和模型预测值。此外，我们还包括另一个模型（在下面的绘图代码中称为gb_reg_lite），它不包含日期时间特征作为其预测因子（它只包含非日期时间列作为特征，包括temp、weather等）。

fig, ax = plt.subplots(figsize = (12,6))
index_ordered = raw.date_time.astype('str').tolist()[-len(X_test):][-100:]
ax.set_xlabel('Date')
ax.set_ylabel('Traffic Volume') 
# the actual valuesax.plot(index_ordered, y_test[-100:].to_numpy(), color='k', ls='-', label = 'actual')
# predictions of model with engineered featuresax.plot(index_ordered, gb_reg.predict(X_test)[-100:], color='b', ls='--', label = 'predicted; with date-time features')
# predictions of model without engineered featuresax.plot(index_ordered, gb_reg_lite.predict(X_test_lite)[-100:], color='r', ls='--', label = 'predicted; w/o date-time features')
every_nth = 5
for n, label in enumerate(ax.xaxis.get_ticklabels()):
    if n % every_nth != 0:
        label.set_visible(False)ax.tick_params(axis='x', labelrotation= 90)
plt.legend()plt.title('Actual vs predicted on the last 100 data points')
plt.draw()

后100个点的预测结果

该图中蓝色虚线与黑色实线十分接近。也就是说，我们提出的gradient-boosting模型可以很好地预测地铁交通量。

同时，我们看到不使用日期时间特征的模型在性能上出现了差异（红色虚线）。为什么会这样？只是因为我们会依赖交通工具，交通流量在周末趋于减少，但在高峰时段出现高峰。因此，如果我们不对日期时间数据进行特征工程处理，我们将错过这些重要的预测因子！

作者:Pararawendy Indarjo

deephub翻译组 OliverLee