Python时间序列分析：使用TSFresh进行自动化特征提取

**TSFresh（基于可扩展假设检验的时间序列特征提取）**是一个专门用于时间序列数据特征自动提取的框架。该框架提取的特征可直接应用于分类、回归和异常检测等机器学习任务。TSFresh通过自动化特征工程流程，显著提升了时间序列分析的效率。

自动化特征提取过程涉及处理数百个统计特征，包括均值、方差、偏度和自相关性等，并通过统计检验方法筛选出具有显著性的特征，同时剔除冗余特征。该框架支持单变量和多变量时间序列数据处理。

TSFresh工作流程

TSFresh的基本工作流程包含以下步骤：首先将数据转换为特定格式，然后使用

extract_features

函数进行特征提取，最后可选择性地使用

select_features

函数进行特征选择。

TSFresh要求输入数据采用长格式（Long Format），每个时间序列必须包含唯一的

id

标识列。

构建示例：生成100个特征的100组时间序列观测数据

 importpandasaspd
 importnumpyasnp
 fromtsfreshimportextract_features
 fromtsfreshimportselect_features
 fromtsfresh.utilities.dataframe_functionsimportimpute
 fromtsfresh.feature_extractionimportEfficientFCParameters
 fromtsfresh.feature_extraction.feature_calculatorsimportmean
 fromsklearn.model_selectionimporttrain_test_split
 fromsklearn.ensembleimportRandomForestClassifier
 fromsklearn.metricsimportaccuracy_score, classification_report, confusion_matrix
 importmatplotlib.pyplotasplt
 importseabornassns
 # 构建大规模样本数据集
 np.random.seed(42)
 n_series=100
 n_timepoints=100
 time_series_list= []
 foriinrange(n_series):
     frequency=np.random.uniform(0.5, 2)
     phase=np.random.uniform(0, 2*np.pi)
     noise_level=np.random.uniform(0.05, 0.2)
     
     values=np.sin(frequency*np.linspace(0, 10, n_timepoints) +phase) +np.random.normal(0, noise_level, n_timepoints)
     
     df=pd.DataFrame({
         'id': i,
         'time': range(n_timepoints),
         'value': values
     })
     time_series_list.append(df)
 time_series=pd.concat(time_series_list, ignore_index=True)
 print("Original time series data:")
 print(time_series.head())
 print(f"Number of time series: {n_series}")
 print(f"Number of timepoints per series: {n_timepoints}")

接下来对生成的数据进行可视化分析：

 # 选择性可视化时间序列数据
 plt.figure(figsize=(12, 6))
 foriinrange(5):  # 绘制前5条时间序列
     plt.plot(time_series[time_series['id'] ==i]['time'], 
              time_series[time_series['id'] ==i]['value'], 
              label=f'Series {i}')
 plt.title('Sample of Time Series')
 plt.xlabel('Time')
 plt.ylabel('Value')
 plt.legend()
 plt.savefig("sample_TS.png")
 plt.show()

数据展现出预期的随机性特征，这与实际时间序列数据的特性相符。

特征提取过程

数据呈现出典型的时间序列特征，包含噪声和波动。下面使用

tsfresh.extract_features

函数执行特征提取操作。

 # 执行特征提取
 features=extract_features(time_series, column_id="id", column_sort="time", n_jobs=0)
 print("\nExtracted features:")
 print(features.head())
 # 对缺失值进行插补处理
 features_imputed=impute(features)

输出示例（部分特征）：

 value__mean  value__variance  value__autocorrelation_lag_1  
 id                                                               
 1          0.465421        0.024392                     0.856201  
 2          0.462104        0.023145                     0.845318

特征选择

为提高模型效率，需要对提取的特征进行筛选。使用

select_features

函数基于统计显著性进行特征选择。

 # 构造目标变量（基于频率的二分类）
 target=pd.Series(index=range(n_series), dtype=int)
 target[features_imputed.index%2==0] =0  # 偶数索引分类
 target[features_imputed.index%2==1] =1  # 奇数索引分类
 # 执行特征选择
 selected_features=select_features(features_imputed, target)
 # 特征选择结果处理
 ifselected_features.empty:
     print("\nNo features were selected. Using all features.")
     selected_features=features_imputed
 else:
     print("\nSelected features:")
     print(selected_features.head())
 print(f"\nNumber of features: {selected_features.shape[1]}")
 print("\nNames of features (first 10):")
 print(selected_features.columns.tolist()[:10])

此过程可有效筛选出与目标变量具有显著相关性的特征。

特征应用于监督学习

特征工程的主要目的是为机器学习模型提供有效的输入变量。TSFresh可与scikit-learn等主流机器学习库无缝集成。

以下展示了特征在分类任务中的应用实例：

 # 分类模型构建
 # 数据集划分
 X_train_clf, X_test_clf, y_train_clf, y_test_clf=train_test_split(
     selected_features, target, test_size=0.2, random_state=42
 )
 # 随机森林分类器训练
 clf=RandomForestClassifier(random_state=42)
 clf.fit(X_train_clf, y_train_clf)
 # 模型评估
 y_pred_clf=clf.predict(X_test_clf)
 print("\nClassification Model Performance:")
 print(f"Accuracy: {accuracy_score(y_test_clf, y_pred_clf):.2f}")
 print("\nClassification Report:")
 print(classification_report(y_test_clf, y_pred_clf))
 # 混淆矩阵可视化
 cm=confusion_matrix(y_test_clf, y_pred_clf)
 plt.figure(figsize=(8, 6))
 sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
 plt.title('Confusion Matrix')
 plt.xlabel('Predicted')
 plt.ylabel('Actual')
 plt.savefig("confusion_matrix.png")
 plt.show()

 # 特征重要性分析
 feature_importance=pd.DataFrame({
     'feature': X_train_clf.columns,
     'importance': clf.feature_importances_
 }).sort_values('importance', ascending=False)
 print("\nTop 10 Most Important Features:")
 print(feature_importance.head(10))
 # 特征重要性可视化
 plt.figure(figsize=(12, 6))
 sns.barplot(x='importance', y='feature', data=feature_importance.head(20))
 plt.title('Top 20 Most Important Features')
 plt.xlabel('Importance')
 plt.ylabel('Feature')
 plt.savefig("feature_importance.png")
 plt.show()

多变量时间序列处理

TSFresh支持对数据集中的多个变量同时进行特征提取。

 # 多变量特征提取示例
 # 添加新的时间序列变量
 time_series["value2"] =time_series["value"] *0.5+np.random.normal(0, 0.05, len(time_series))
 # 对多个变量进行特征提取
 features_multivariate=extract_features(
     time_series, 
     column_id="id", 
     column_sort="time", 
     default_fc_parameters=EfficientFCParameters(),
     n_jobs=0
 )
 print("\nMultivariate features:")
 print(features_multivariate.head())

自定义特征提取方法

TSFresh框架允许通过

tsfresh.feature_extraction.feature_calculators

模块定制特征提取函数。

 # 多变量特征提取实现
 # 构造附加时间序列变量
 time_series["value2"] =time_series["value"] *0.5+np.random.normal(0, 0.05, len(time_series))
 # 执行多变量特征提取
 features_multivariate=extract_features(
     time_series, 
     column_id="id", 
     column_sort="time", 
     default_fc_parameters=EfficientFCParameters(),
     n_jobs=0
 )
 print("\nMultivariate features:")
 print(features_multivariate.head())

以下展示了使用matplotlib进行数据分布可视化：

 # 计算时间序列均值特征
 custom_features=time_series.groupby("id")["value"].apply(mean)
 print("\nCustom features (mean of each time series, first 5):")
 print(custom_features.head())
 # 特征分布可视化
 plt.figure(figsize=(10, 6))
 sns.histplot(custom_features, kde=True)
 plt.title('Distribution of Mean Values for Each Time Series')
 plt.xlabel('Mean Value')
 plt.ylabel('Count')
 plt.savefig("dist_of_means_TS.png")
 plt.show()

 # 特征与目标变量关系可视化
 plt.figure(figsize=(10, 6))
 sns.scatterplot(x=custom_features, y=target)
 plt.title('Relationship between Mean Values and Target')
 plt.xlabel('Mean Value')
 plt.ylabel('Target')
 plt.savefig("means_v_target_TS.png")
 plt.show()

总结

TSFresh在时间序列特征工程领域展现出显著优势。通过自动化特征生成机制，它为下游机器学习任务提供了丰富的特征输入。但是需要注意的是，大量自动生成的特征可能导致过拟合问题，这一方面仍需进一步的实证研究验证。

https://avoid.overfit.cn/post/5730b6960bca45f9b89ce5393afb7005

作者：Kyle Jones