tsfresh是什么
tsfresh是用于从时间序列中自动提取特征的python包。
tsfresh官网.这个包的使用从官网中的例子能较好的快速上手。
特征提取
tsfresh提取特征的过程比较吃内存,也很耗时间,得谨慎使用。
当然也可以使用一些技巧,例如将数据划分几块分别进行特征提取最后再拼接在一起。
原始数据
特征提取前的原始数据,如下图所示:
数据预处理
需要进行一些预处理才能使用tsfresh进行特征提取。因为heartbeat_signals是一个序列而不是数值,无法进行统计计算。
这里先对heartbeat_signals以逗号为分隔符,划分出heartbeat_signals每个时间点的数据值,然后对index和columns进行reset。
# 对心电特征进行行转列处理,同时为每个心电信号加入时间步特征time
train_heartbeat_df = data_train["heartbeat_signals"].str.split(",", expand=True).stack()
train_heartbeat_df = train_heartbeat_df.reset_index()
train_heartbeat_df = train_heartbeat_df.set_index("level_0")
train_heartbeat_df.index.name = None
train_heartbeat_df.rename(columns={"level_1":"time", 0:"heartbeat_signals"}, inplace=True)
train_heartbeat_df["heartbeat_signals"] = train_heartbeat_df["heartbeat_signals"].astype(float)
train_heartbeat_df
结果如下图所示:
tsfresh还需要一个id列
# 将处理后的心电特征加入到训练数据中,同时将训练数据label列单独存储
data_train_label = data_train["label"]
data_train = data_train.drop("label", axis=1)
data_train = data_train.drop("heartbeat_signals", axis=1)
data_train = data_train.join(train_heartbeat_df)
data_train
结果如下图所示:
特征提取
将data_train这dataframe放到tsfresh中进行特征提取:
from tsfresh import extract_features
train_features = extract_features(data_train, column_id='id', column_sort='time')
train_features
结果生成了787行特征,部分特征如下图所示:
处理NaN值
其中共有12列存在空值
先清除空值
from tsfresh.utilities.dataframe_functions import impute
# 去除抽取特征中的NaN值
impute(train_features)
一开始我以为这个清除空值是将存在空值的列删除掉。
但其实tsfresh进行了一个补全操作,原文:
原文中说到,遇到NaN值会用同一列的均值进行替换;同时遇到-inf值会用同一列的最小值替换;遇到+inf值会用同一列的最大值替换。
特征筛选
最后一步进行特征筛选,按照特征和响应变量之间的相关性进行特征选择,这一过程包含两步:首先单独计算每个特征和响应变量之间的相关性,然后利用Benjamini-Yekutieli procedure [1] 进行特征选择,决定哪些特征可以被保留。
from tsfresh import select_features
train_features_filtered = select_features(train_features, data_train_label)
train_features_filtered
观察了一下结果最终保留了707列数据,应该是删除了一些值全部相同的列(没找到官网对这一部分算法的解释):