一个说法在最前面：
创造新的特征是一件十分困难的事情，需要丰富的专业知识和大量的时间。机器学习应用的本质基本上就是特征工程。
——Andrew Ng、
大佬整理的一个时间序列预测方法总结 时间序列预测方法总结 - 知乎
特征工程的流程介绍：
关于做特征工程的一个流程：特征工程完全手册 - 从预处理、构造、选择、降维、不平衡处理，到放弃 - 知乎
介绍两本书：金融机器学习，还有
自动化特征工程工具：
- tslearn：开源的时间序列机器学习python工具包
- tsfresh：开源的时间序列特征提取python工具包
- katz
- tsfle
- tsaug time series augmentation也是一个做时序特征的关键词
- pyts：开源的时间序列分类Python工具包。提供预处理工具及若干种时间序列分类算法
- statmodels：想不到吧，除了能进行线性回归，还能用于构造特征工程，特征分解，异常点检测，统统都可以，6666
关于时间序列分解法：
时间序列分解法总结：【时间序列】时间序列分解总结 - 知乎
时间序列分解：时间序列分解 - 简书
相似的介绍，这个是在百度文库上：时间序列分解法 - 百度文库
以上的是对于时间序列分解法的一些介绍，落地到具体的实现，则有：
DataCamp的 Time series decomposition | Python
一个github上的package time-series-decomposition · GitHub Topics · GitHub
Python Time Series ETS Decomposition · GitHub
介绍：This is a relatively naive Python implementation of a seasonal and trend decomposition using Loess smoothing. Commonly referred to as an "STL decomposition", Cleveland's 1990 paper is the canonical reference.
TimeSeries-Decomposition.ipynb TimeSeries Decomposition in Python with statsmodels and Pandas · GitHub
特征工程过滤：
特征工程之特征选择之过滤法 内容选自西瓜书： 特征工程之特征选择之过滤法（卡方检验_上进的菜鸟的博客-CSDN博客
https://hackernoon.com/key-tactics-the-pros-use-for-feature-extraction-from-time-series-e7q3wfr
特征筛选事后的特征重要性检验：
多重检验：Benjamini-Yekutieli 法的介绍 多重比较-Bonferroni法和Benjamini & Hochberg法 - 简书
一些大佬写的好文章：
特征工程系列：时间特征构造以及时间序列特征构造 特征工程系列：时间特征构造以及时间序列特征构造_J-JunLiang的博客-CSDN博客_时间序列特征
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。
如何对周期性的如时间，月份进行特征工程表示：
周期特征的循环编码
说明：
一些数据具有固有的周期性。时间就是一个很好的例子：分钟，小时，秒，星期几，一个月的某周，一个月，季节等都是具有循环往复的周期性的，生态特征（如潮汐），星座特征（如轨道位置），空间特征（如旋转或经度），视觉特征（如色轮）也都是自然循环的。
如何让我们的机器学习模型知道某个功能是周期性的？让我们探索一个简单的24小时时间数据集，我们想将其周期性性质传达给我们的模型
Encoding cyclical continuous features - 24-hour time – Ian London's Blog
一言以蔽之，使用三角函数进行转换
除此之外，其实还有很多比较有价值的工具，大家用一下谷歌搜索一下子就可以找到，有兴趣的可以去看一看：
2534
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
