数据分析及预处理（二）——时间特征_带有时间特征的数据-CSDN博客

本文链接：https://blog.csdn.net/North_City_/article/details/109708476

本文探讨了在机器学习中的时间特征工程，重点是离散时间特征构造。通过解析时间戳和时间格式，将时间数据转化为可操作的标签。文章介绍了如何将一天划分为288个5分钟间隔的标签，并在数据量大且时间切入点未知的情况下进行处理。此外，还讨论了如何在DataFrame中添加这些时间特征列，并确保类型转换正确。

摘要由CSDN通过智能技术生成

文章目录

前言
一、时间戳与时间
二、时间格式解析
三、DataFrame的更改

前言

数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。由此可见，特征工程在机器学习中占有相当重要的地位。在实际应用当中，可以说特征工程是机器学习成功的关键。

今天总结的是时间特征部分。时间特征构造包括连续时间特征和离散时间特征。连续时间特征比如持续时间和间隔时间，离散时间特征有拆解、判断等。本学习案例中用到的是离散时间特征构造，将一天时间按照从凌晨00：00：00开始进行标记，每五分钟是一个间隔，一天标记288个tag。困难在于数据量比较大，且每天的切入点时间未知，无法进行排序。因此只有通过解析时间格式进行标记。

一、时间戳与时间

首先给出时间戳的定义（挺有意思）：
时间戳是指格林威治时间1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00秒)起至现在的总秒数。
有些数据中的时间戳格式可通过下面的程序进行转换，转换成具有可读性的时间格式

def stamp_to_time(stamp,strformat="%Y-%m-%d %H:%M:%S"):
	stamp = int(stamp)
	ltime = time.localtime(stamp)
	timeStr = time.strftime(strformat, ltime)
	return timeStr

二、时间格式解析

可将具有可读性的时间格式解析、拆分，得到需要的时分秒或忽略不必要的年份等等，方便后续程序的使用

timestamp=1459175064#转换成时间戳
time_local = time.localtime(timestamp)# 转换成新的时间格式
dt