1、聚合特征汇总
1.1 pandas自带的聚合函数
- mean():
- 功能:计算每个组的平均值。
- 示例:
df.groupby('column_name').mean()
- sum():
- 功能:计算每个组内数值的总和。
- 示例:
df.groupby('column_name').sum()
- size():
- 功能:计算每个组内的行数,返回的是一个Series,其索引是组标签,值是组的大小。
- 示例:
df.groupby('column_name').size()
- count():
- 功能:计算每个组内的非空值的数量。
- 示例:
df.groupby('column_name').count()
- std():
- 功能:计算每个组的标准差。
- 示例:
df.groupby('column_name').std()
- var():
- 功能:计算每个组的方差。
- 示例:
df.groupby('column_name').var()
- sem():
- 功能:计算每个组的标准误差。
- 示例:
df.groupby('column_name').sem()
- first():
- 功能:获取每个组的第一个值。
- 示例:
df.groupby('column_name').first()
last():
功能:获取每个组的最后一个值。
示例:df.groupby('column_name').last()
-
nth():
- 功能:获取每个组的第n个值,或者如果n是一个列表,则返回该列表中的值。
- 示例:
df.groupby('column_name').nth(1)
或df.groupby('column_name').nth([1,3])
-
min():
- 功能:计算每个组的最小值。
- 示例:
df.groupby('column_name').min()
-
max():
- 功能:计算每个组的最小值。注意这里应该是最大值,而不是最小值。
- 示例:
df.groupby('column_name').max()
1.2 聚合函数&分类代码示例
1.2.1 分析类函数
- median(x):计算输入数组x的中位数。
def median(x):
return np.median(x)
- variation_coefficient(x):计算变异系数,即标准差除以平均值,用来衡量数据相对其均值的波动程度。
def variation_coefficient(x):
mean = np.mean(x)
if mean != 0:
return np.std(x) / mean
else:
return np.nan
- variance(x):计算输入数组x的方差,表示数据集中数据点离散程度的一个度量。
def variance(x):
return np.var(x)
- skewness(x):计算输入数组x的偏度,反映分布形态的对称性,正值表示右偏(长尾在右侧),负值表示左偏。
def skewness(x):
if not isinstance(x, pd.Series):
x = pd.Series(x)
return pd.Series.skew(x)
- kurtosis(x):计算输入数组x的峰度,描述分布尖峭或平坦的程度,与正态分布相比,大于3表示尖顶分布,小于3表示扁平分布。
def kurtosis(x):
if not isinstance(x, pd.Series):
x = pd.Series(x)
return pd.Series.kurtosis(x)
- standard_deviation(x):计算输入数组x的标准差,衡量数据的离散程度。
def standard_deviation(x):
return np.std(x)
- large_standard_deviation(x):计算一个修正后的标准差,将其除以最大值减最小值,适用于范围受限的数据集。
def large_standard_deviation(x):
if (np.max(x)-np.min(x)) == 0:
return np.nan
else:
return np.std(x)/(np.max(x)-np.min(x))
- variation_coefficient (重复定义):同上。
def variation_coefficient(x):
mean = np.mean(x)
if mean != 0:
return np.std(x) / mean
else:
return np.nan
- variance_std_ratio(x):计算方差与标准差平方根之比,恒为1。
def variance_std_ratio(x):
y = np.var(x)
if y != 0:
return y/np.sqrt(y)
else:
return np.nan
- ratio_beyond_r_sigma(x, r):计算超出r倍标准差之外的数据点占比。
def ratio_beyond_r_sigma(x, r):
if x.size == 0:
return np.nan
else:
return np.sum(np.abs(x - np.mean(x)) > r * np.asarray(np.std(x))) / x.size
- range_ratio(x):计算平均值与中位数之差与数据范围(最大值-最小值)的比例。
def range_ratio(x):
mean_median_difference = np.abs(np.mean(x) - np.median(x))
max_min_difference = np.max(x) - np.min(x)
if max_min_difference == 0:
return np.nan
else:
return mean_median_difference / max_min_difference
- has_duplicate_max(x):检查输入数组是否有重复的最大值。
def has_duplicate_max(x):
return np.sum(x == np.max(x)) >= 3
- has_duplicate_min(x):检查输入数组是否有重复的最小值。
def has_duplicate_min(x):
return np.sum(x == np.min(x)) >= 3
- has_duplicate(x):检查输入数组中是否含有重复值。
def has_duplicate(x):
return x.size != np.unique(x).size
- count_duplicate_max(x):计算最大值出现的次数。
def count_duplicate_max(x):
return np.sum(x == np.max(x))
- count_duplicate_min(x):计算最小值出现的次数。
def count_duplicate_min(x):
return np.sum(x == np.min(x))
- count_duplicate(x):计算数组中重复值的数量。
def count_duplicate(x):
return x.size - np.unique(x).size
- sum_values(x):计算数组元素之和,处理空数组时返回0。
def sum_values(x):
if len(x) == 0:
return 0
return np.sum(x)
- log_return(list_stock_prices):计算股票价格的时间序列对数收益率。
def log_return(list_stock_prices):
return np.log(list_stock_prices).diff()
- realized_volatility(series):计算真实波动率,即时间序列绝对值平方和的平方根。
def realized_volatility(series):
return np.sqrt(np.sum(series**2))
- realized_abs_skew(series) 和 realized_skew(series):计算真实绝对偏度和真实偏度,基于三阶矩的估计。
def realized_abs_skew(series):
return np.power(np.abs(np.sum(series**3)),1/3)
- realized_vol_skew(series):计算波动率偏度,基于六阶矩的估计。
def realized_vol_skew(series):
return np.power(np.abs(np.sum(series**6)),1/6)
- realized_quarticity(series):计算四阶矩的真实估计,也称为“赫斯特指数”,反映了波动性的非线性特性。
def realized_quarticity(series):
return np.power(np.sum(series**4),1/4)
- count_unique(series):计算输入序列中的唯一值数量。
def count_unique(series):
return len(np.unique(series))
- count(series):计算输入序列中的元素数量。
def count(series):
return series.size
1.2.2 金融时间序列特有指标函数
- maximum_drawdown(series):计算投资组合的最大回撤,即历史最高净值与随后最低净值之间的百分比跌幅。
def maximum_drawdown(series):
series = np.asarray(series)
if len(series)<2:
return 0
k = series[np.argmax(np.maximum.accumulate(series) - series)]
i = np.argmax(np.maximum.accumulate(series) - series)
if len(series[:i])<1:
return np.NaN
else:
j = np.max(series[:i])
return j-k
- maximum_drawup(series):计算投资组合的最大上涨幅度,通过取反数转换后再计算最大回撤实现。
def maximum_drawup(series):
series = np.asarray(series)
if len(series)<2:
return 0
series = - series
k = series[np.argmax(np.maximum.accumulate(series) - series)]
i = np.argmax(np.maximum.accumulate(series) - series)
if len(series[:i])<1:
return np.NaN
else:
j = np.max(series[:i])
return j-k
- drawdown_duration(series) 和 drawup_duration(series):分别计算从最高点到最低点及从最低点到新高点的持续时间。
def drawdown_duration(series):
series = np.asarray(series)
if len(series)<2:
return 0
k = np.argmax(np.maximum.accumulate(series) - series)
i = np.argmax(np.maximum.accumulate(series) - series)
if len(series[:i]) == 0:
j=k
else:
j = np.argmax(series[:i])
return k-j
- max_over_min(series):计算最大值与最小值的比率。
def max_over_min(series):
if len(series)<2:
return 0
if np.min(series) == 0:
return np.nan
return np.max(series)/np.min(series)
- mean_n_absolute_max(x, number_of_maxima = 1):计算指定数量极大值的算术平均绝对值。
def mean_n_absolute_max(x, number_of_maxima = 1):
assert (
number_of_maxima > 0
), f" number_of_maxima={number_of_maxima} "
n_absolute_maximum_values = np.sort(np.absolute(x))[-number_of_maxima:]
return np.mean(n_absolute_maximum_values) if len(x) > number_of_maxima else np.NaN
- count_above(x, t) 和 count_below(x, t):计算高于阈值t和低于阈值t的数据点比例。
def count_above(x, t):
if len(x)==0:
return np.nan
else:
return np.sum(x >= t) / len(x)
- number_peaks(x, n):计算支持至少为n的峰值数量,即连续n个数据点中最值。
def number_peaks(x, n):
x_reduced = x[n:-n]
res = None
for i in range(1, n + 1):
result_first = x_reduced > _roll(x, i)[n:-n]
if res is None:
res = result_first
else:
res &= result_first
res &= x_reduced > _roll(x, -i)[n:-n]
return np.sum(res)
- mean_abs_change(x):计算绝对变化值的平均值。
def mean_abs_change(x):
return np.mean(np.abs(np.diff(x)))
- mean_change(x):计算平均变化率。
def mean_change(x):
x = np.asarray(x)
return (x[-1] - x[0]) / (len(x) - 1) if len(x) > 1 else np.NaN
- mean_second_derivative_central(x):计算中心二阶导数的平均值,反映序列局部曲率。
def mean_second_derivative_central(x):
x = np.asarray(x)
return (x[-1] - x[-2] - x[1] + x[0]) / (2 * (len(x) - 2)) if len(x) > 2 else np.NaN
- root_mean_square(x):计算均方根(RMS),类似于标准差但使用绝对值而非平方。
def root_mean_square(x):
return np.sqrt(np.mean(np.square(x))) if len(x) > 0 else np.NaN
- absolute_sum_of_changes(x):计算序列绝对变化值之和。
def absolute_sum_of_changes(x):
return np.sum(np.abs(np.diff(x)))
- longest_strike_below_mean(x) 和 longest_strike_above_mean(x):计算最长低于均值和最长高于均值的连续子序列长度。
def longest_strike_below_mean(x):
if not isinstance(x, (np.ndarray, pd.Series)):
x = np.asarray(x)
return np.max(_get_length_sequences_where(x < np.mean(x))) if x.size > 0 else 0
- count_above_mean(x) 和 count_below_mean(x):计算高于均值和低于均值的数据点数量。
def count_above_mean(x):
m = np.mean(x)
return np.where(x > m)[0].size
- last_location_of_maximum(x) 和 first_location_of_maximum(x):计算最后一个最大值及其位置(作为区间[0,1]内的比例)以及第一个最大值的位置。
def first_location_of_maximum(x):
if not isinstance(x, (np.ndarray, pd.Series)):
x = np.asarray(x)
return np.argmax(x) / len(x) if len(x) > 0 else np.NaN
- last_location_of_minimum(x) 和 first_location_of_minimum(x):计算最后一个最小值及其位置以及第一个最小值的位置。
def last_location_of_minimum(x):
x = np.asarray(x)
return 1.0 - np.argmin(x[::-1]) / len(x) if len(x) > 0 else np.NaN
- percentage_of_reoccurring_values_to_all_values(x):计算所有值中重复值所占比例。
def percentage_of_reoccurring_values_to_all_values(x):
if len(x) == 0:
return np.nan
unique, counts = np.unique(x, return_counts=True)
if counts.shape[0] == 0:
return 0
return np.sum(counts > 1) / float(counts.shape[0])
- percentage_of_reoccurring_datapoints_to_all_datapoints(x):计算所有数据点中重复数据点所占比例。
def percentage_of_reoccurring_datapoints_to_all_datapoints(x):
if len(x) == 0:
return np.nan
if not isinstance(x, pd.Series):
x = pd.Series(x)
value_counts = x.value_counts()
reoccuring_values = value_counts[value_counts > 1].sum()
if np.isnan(reoccuring_values):
return 0
return reoccuring_values / x.size
- sum_of_reoccurring_values(x):计算所有重复值的总和。
def sum_of_reoccurring_values(x):
unique, counts = np.unique(x, return_counts=True)
counts[counts < 2] = 0
counts[counts > 1] = 1
return np.sum(counts * unique)
- sum_of_reoccurring_data_points(x):计算所有重复数据点对应的值之和。
def sum_of_reoccurring_data_points(x):
unique, counts = np.unique(x, return_counts=True)
counts[counts < 2] = 0
return np.sum(counts * unique)
- ratio_value_number_to_time_series_length(x):计算不同数值种类与整个时间序列长度的比例。
def ratio_value_number_to_time_series_length(x):
if not isinstance(x, (np.ndarray, pd.Series)):
x = np.asarray(x)
if x.size == 0:
return np.nan
return np.unique(x).size / x.size
- abs_energy(x):计算信号的能量,即信号平方和。
def abs_energy(x):
if not isinstance(x, (np.ndarray, pd.Series)):
x = np.asarray(x)
return np.dot(x, x)
- quantile(x, q):计算输入数组x的q分位数。
def quantile(x, q):
if len(x) == 0:
return np.NaN
return np.quantile(x, q)
- number_crossing_m(x, m):计算跨越某个特定值m的次数。
def number_crossing_m(x, m):
if not isinstance(x, (np.ndarray, pd.Series)):
x = np.asarray(x)
positive = x > m
return np.where(np.diff(positive))[0].size
- absolute_maximum(x):计算输入数组绝对值的最大值。
def absolute_maximum(x):
return np.max(np.absolute(x)) if len(x) > 0 else np.NaN
- value_count(x, value):统计给定值在数组中出现的次数。
def value_count(x, value):
if not isinstance(x, (np.ndarray, pd.Series)):
x = np.asarray(x)
if np.isnan(value):
return np.isnan(x).sum()
else:
return x[x == value].size
- range_count(x, min, max):统计数组中位于[min, max)区间内的元素个数。
def range_count(x, min, max):
return np.sum((x >= min) & (x < max))
- mean_diff(x):计算输入pandas Series中相邻元素之差的平均值。
def mean_diff(x):
return np.nanmean(np.diff(x.values))
2、总结
看到这里,今天的分享差不多就该结束了。
今天主要针对特征工程的常用代码函数进行的详细的讲解,
这些内容可能对一些新手来说,有些多,但是
逐渐的学习,慢慢地消化,总会掌握的。
我是小鱼:
- CSDN 博客专家;
- 阿里云 专家博主;
- 51CTO博客专家;
- 51认证讲师等;
- 认证金牌面试官;
- 职场面试培训、职业规划师;
- 多个国内主流技术社区的认证专家博主;
- 多款主流产品(阿里云等)测评一、二等奖获得者;
关注我,带你学习更多更专业更前沿技术技术。