Datawhale组队学习-金融时序数据挖掘实践-Task03时间序列规则

1.时间特征

1.1 连续时间

• 持续时间：
• 浏览时长；
• 间隔时间：
• 购买/点击距今时长；
• 距离假期的前后时长（节假日前和节假日后可能会出现明显的数据波动）；

1.2 离散时间

• 年、季度、季节、月、星期、日、时 等；

++ 基本特征，如果用 Xgboost 模型可以进行 one-hot 编码；
++ 如果类别比较多，可以尝试平均数编码（Mean Encoding）。
++ 或者取 cos/sin 将数值的首位衔接起来，比如说 23 点与 0 点很近，星期一和星期天很近。

• 节假日、节假日第 n 天、节假日前 n 天、节假日后 n 天；

++ 数据可能会随着节假日的持续而发生变化，比如说递减；
++ 节假日前/后可能会出现数据波动；
++ 不放假的人造节日如 5.20、6.18、11.11 等也需要考虑一下；

主要根据业务场景进行挖掘。

 # 加入时间戳
    total_balance['weekday'] = total_balance['date'].dt.weekday
    total_balance['day'] = total_balance['date'].dt.day
    total_balance['week'] = total_balance['date'].dt.week
    total_balance['month'] = total_balance['date'].dt.month    

2.聚合特征

2.1 统计值

基于历史数据构造长中短期的统计值，包括前 n 天/周期内的：
四分位数；中位数、平均数、偏差；偏度、峰度；
除了对数据进行统计外，也可以对节假日等进行统计，以刻画历史数据中所含节假日的情况。
（还可以统计未来的节假日的情况。）

2.2 同期值

前 n 个周期/天/月/年的同期值；

    # 统计翌日因子
    mean_of_each_weekday = total_balance[['weekday']+['total_purchase_amt','total_redeem_amt']].groupby('weekday',as_index=False).mean()
    for name in ['total_purchase_amt','total_redeem_amt']:
        mean_of_each_weekday = mean_of_each_weekday.rename(columns={name: name+'_weekdaymean'})
    mean_of_each_weekday['total_purchase_amt_weekdaymean'] /= np.mean(total_balance['total_purchase_amt'])
    mean_of_each_weekday['total_redeem_amt_weekdaymean'] /= np.mean(total_balance['total_redeem_amt'])

    # 分别统计翌日在(1~31)号出现的频次
    weekday_count = total_balance[['day','weekday','date']].groupby(['day','weekday'],as_index=False).count()
    weekday_count = pd.merge(weekday_count, mean_of_each_weekday, on='weekday')

    # 依据频次对翌日因子进行加权，获得日期因子
    weekday_count['total_purchase_amt_weekdaymean'] *= weekday_count['date']   / len(np.unique(total_balance['month']))
    weekday_count['total_redeem_amt_weekdaymean'] *= weekday_count['date']  / len(np.unique(total_balance['month']))
    day_rate = weekday_count.drop(['weekday','date'],axis=1).groupby('day',as_index=False).sum()

    # 将训练集中所有日期的均值剔除日期残差得到base
    day_mean = total_balance[['day'] + ['total_purchase_amt','total_redeem_amt']].groupby('day',as_index=False).mean()
    day_pre = pd.merge(day_mean, day_rate, on='day', how='left')
    day_pre['total_purchase_amt'] /= day_pre['total_purchase_amt_weekdaymean']
    day_pre['total_redeem_amt'] /= day_pre['total_redeem_amt_weekdaymean']

最后

以上就是细腻大树为你收集整理的Datawhale组队学习-金融时序数据挖掘实践-Task03时间序列规则Datawhale组队学习-金融时序数据挖掘实践-Task03时间序列规则1.时间特征2.聚合特征的全部内容，希望文章能够帮你解决Datawhale组队学习-金融时序数据挖掘实践-Task03时间序列规则Datawhale组队学习-金融时序数据挖掘实践-Task03时间序列规则1.时间特征2.聚合特征所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。