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
