45、高级数据准备：时间序列分解、外部数据追加与R语言的应用

高级数据准备：时间序列分解、外部数据追加与R语言的应用

1. 时间序列中的导数概念及相关指标

在时间序列模型中，一阶导数和二阶导数的概念十分有用。一阶导数指行为的速度，即单位时间内的行为计数。例如，每月在流媒体服务上的消费金额，或者每月流媒体播放的电视节目和电影数量。这些本身就是有用的预测指标，但结合二阶导数（行为的加速度或减速度）会更有价值。加速度是速度随时间的变化，如每月消费的变化或每月播放节目的变化。高消费、高使用量的高速客户可能不太容易流失，但这些客户的快速减速（即使用量或消费大幅减少）可能预示着即将流失。

除了速度和加速度，还可以构建一致性、可靠性和变异性的度量来进一步提高预测能力。突然改变的非常一致的行为可能比同样变化的剧烈变化行为更值得关注。计算最近几个月有购买行为、消费或行为达到给定阈值的比例，可提供一个简单的忠诚度指标，也可以使用更复杂的方差度量。

2. 时间序列的分解

时间序列数据有长格式和宽格式之分。长格式数据每个分析单元有多个相关行，而大多数基于R的机器学习方法需要宽格式数据，即将重复的行数据转换为重复的列数据。

例如，对1000名患者每月记录一次体重，持续3个月，长格式数据集将有3 * 1000 = 3000行和3列（患者标识符、月份和体重），而宽格式数据集只有1000行但4列：1列患者标识符和3列每月体重读数。

构建宽格式数据集时，首先要确定对预测有用的历史数据量。所需历史数据越多，宽数据集中需要添加的列就越多。例如，要预测客户未来1个月的能源使用情况，可能会使用他们前12个月的能源使用数据作为预测因子，以涵盖完整的年度季节性。为了构建预测2023年6月能源使用的模型，可能会创建12个预测