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

 importpandasaspdimportnumpyasnpfromtsfreshimportextract_featuresfromtsfreshimportselect_featuresfromtsfresh.utilities.dataframe_functionsimportimputefromtsfresh.feature_extractionimportEfficientFCParametersfromtsfresh.feature_extraction.feature_calculatorsimportmeanfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportaccuracy_score, classification_report, confusion_matriximportmatplotlib.pyplotaspltimportseabornassns# 构建大规模样本数据集np.random.seed(42)n_series=100n_timepoints=100time_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_imputedelse: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()