featuretools.primitives.RollingTrend

class featuretools.primitives.RollingTrend(window_length=3, gap=1, min_periods=0)

计算列中给定窗口内随时间变化的条目趋势。

描述

给定一个数字列表和相应的日期时间列表，返回值的线性趋势的滚动斜率，计算窗口从当前行向后偏移 gap 行开始，并向后查看指定的时间窗口（由 window_length 和 gap 定义）。

输入的日期时间应该是单调的。

参数

window_length (int, string, 可选): 指定每个窗口中包含的数据量。

如果提供整数，它将对应于行数。对于采样频率均匀的数据，例如每天一次，window_length 将对应一段时间，在这种情况下，window_length 为 7 时对应 7 天。如果提供字符串，它必须是 pandas 的偏移别名字符串之一（如‘1D’、‘1H’等），并且将指示每个窗口应该跨越的时间长度。可用偏移别名的列表可以在 https://pandas.ac.cn/pandas-docs/stable/user_guide/timeseries.html#offset-aliases 找到。默认为 3。

gap (int, string, 可选): 指定从每个实例向后偏移的间隔，在此间隔之后才开始

可用数据窗口开始。如果提供整数，它将对应于行数。如果提供字符串，它必须是 pandas 的偏移别名字符串之一（如‘1D’、‘1H’等），并且将指示目标实例与其窗口开始之间的时长。默认为 1。

min_periods (int, 可选): 执行计算所需的最少观察次数

在窗口中。当 window_length 是整数时，它只能和 window_length 一样大。当 window_length 是偏移别名字符串时，不存在此限制，但应注意不要选择始终大于窗口中观察次数的 min_periods。默认为 1。

示例

>>> import pandas as pd
>>> rolling_trend = RollingTrend()
>>> times = pd.date_range(start="2019-01-01", freq="1D", periods=10)
>>> rolling_trend(times, [1, 2, 4, 8, 16, 24, 48, 96, 192, 384]).tolist()
[nan, nan, nan, 1.4999999999999998, 2.9999999999999996, 5.999999999999999, 7.999999999999999, 16.0, 36.0, 72.0]

我们还可以控制滚动计算前的间隔。

>>> rolling_trend = RollingTrend(gap=0)
>>> rolling_trend(times, [1, 2, 4, 8, 16, 24, 48, 96, 192, 384]).tolist()
[nan, nan, 1.4999999999999998, 2.9999999999999996, 5.999999999999999, 7.999999999999999, 16.0, 36.0, 72.0, 144.0]

我们还可以控制滚动计算所需的最少周期数。

>>> rolling_trend = RollingTrend(window_length=4, min_periods=4, gap=0)
>>> rolling_trend(times, [1, 2, 4, 8, 16, 24, 48, 96, 192, 384]).tolist()
[nan, nan, nan, 2.299999999999999, 4.599999999999998, 6.799999999999996, 12.799999999999992, 26.399999999999984, 55.19999999999997, 110.39999999999993]

我们还可以使用偏移别名字符串设置 window_length 和 gap。

>>> rolling_trend = RollingTrend(window_length="4D", gap="1D")
>>> rolling_trend(times, [1, 2, 4, 8, 16, 24, 48, 96, 192, 384]).tolist()
[nan, nan, nan, 1.4999999999999998, 2.299999999999999, 4.599999999999998, 6.799999999999996, 12.799999999999992, 26.399999999999984, 55.19999999999997]

__init__(window_length=3, gap=1, min_periods=0)

方法

__init__([window_length, gap, min_periods])
flatten_nested_input_types(input_types)	将嵌套的列模式输入展平为单个列表。
generate_name(base_feature_names)
generate_names(base_feature_names)
get_args_string()
get_arguments()
get_description(input_column_descriptions[, ...])
get_filepath(filename)
get_function()

属性

base_of
base_of_exclude
commutative
default_value	如果未找到数据，则此特征返回的默认值。
description_template
input_types	woodwork.ColumnSchema 输入类型
max_stack_depth
name	原语名称
number_output_features	与此特征关联的特征矩阵中的列数
return_type	ColumnSchema 返回类型
stack_on
stack_on_exclude
stack_on_self
uses_calc_time
uses_full_dataframe