使用 featuretools dfs 计算时间窗轮廓

Question

我无法理解 cutoff_dates 概念。 我真正想要的是通过一个时间窗口计算不同的特征，比如 60 天前（没有当前事务），cutoff_dates 看起来像示例中的硬编码日期。 我正在为每一行使用时间索引（下面的 A_time），并根据此处what_is_cutoff_datetime 中的文档：

时间索引定义为第一次可以使用行中的任何信息。如果在计算特征时指定了截止时间，则时间索引值较晚的行将被自动忽略。

所以不清楚我是否不把截止日期计算到时间索引值之前。

这是我的实体集定义：

es = ft.EntitySet('payment')
es = es.entity_from_dataframe(entity_id='tableA',
                           dataframe=tableA_dfpd,
                           index='paymentIndex',
                           time_index='A_time')


es.normalize_entity(base_entity_id='tableA',
               new_entity_id='tableB',
               index='B_index',
               additional_variables=['B_x','B_time'],
               make_time_index='B_time')
               
es.normalize_entity(base_entity_id='tableA',
               new_entity_id='tableC',
               index='C_index',
               additional_variables=["C_x","C_date"],
               make_time_index="C_date")

es.normalize_entity(base_entity_id='tableA',
               new_entity_id='tableD',
               index='D_index',
               additional_variables=["D_x"],
               make_time_index=False)
               
Entityset: payment
  Entities:
    tableA [Rows: 310083, Columns: 8]
    tableB [Rows: 30296, Columns: 3]
    tableC [Rows: 206565, Columns: 3]
    tableD [Rows: 18493, Columns: 2]
  Relationships:
    tableA.B_index -> tableB.B_index
    tableA.C_index -> tableC.C_index
    tableA.D_index -> tableD.D_index

我如何准确地进行窗口计算？我是否需要通过截止日期？到dfs方法？ 我想使用基于 A_time 变量的所有窗口计算，直到当前交易的 60 天窗口，所以实际上每笔交易的截止日期是该交易的 time_A 值。，不是吗?

Answer 1

感谢您的提问。您可以使用 DFS 中的训练窗口基于时间窗口计算要素。您还可以通过设置include_cutoff_time=False 在截止时间排除交易。我将使用这个交易数据集来举例说明。

import featuretools as ft

df = ft.demo.load_mock_customer(return_single_table=True)
df = df[['transaction_id', 'transaction_time', 'customer_id', 'amount']]
df.sort_values(['customer_id', 'transaction_time'], inplace=True)
df.head()

 transaction_id    transaction_time  customer_id  amount
            290 2014-01-01 00:44:25            1   21.35
            275 2014-01-01 00:45:30            1  108.11
            101 2014-01-01 00:46:35            1  112.53
             80 2014-01-01 00:47:40            1    6.29
            484 2014-01-01 00:48:45            1   47.95

首先，我们为交易和客户创建一个实体集。

es = ft.EntitySet()

es.entity_from_dataframe(
    entity_id='transactions',
    index='transaction_id',
    time_index='transaction_time',
    dataframe=df,
)

es.normalize_entity(
    base_entity_id='transactions',
    new_entity_id='customers',
    index='customer_id',
)

es.add_last_time_indexes()

Entityset: None
  Entities:
    transactions [Rows: 500, Columns: 4]
    customers [Rows: 5, Columns: 2]
  Relationships:
    transactions.customer_id -> customers.customer_id

然后，我们为每个客户在每笔交易中创建一个截止时间。

cutoff_time = df[['customer_id', 'transaction_time']]
cutoff_time['time'] = cutoff_time.pop('transaction_time')
cutoff_time.head()

 customer_id                time
           1 2014-01-01 00:44:25
           1 2014-01-01 00:45:30
           1 2014-01-01 00:46:35
           1 2014-01-01 00:47:40
           1 2014-01-01 00:48:45

现在，我们可以使用训练窗口运行 DFS，以根据时间窗口计算特征。在本例中，我们将训练窗口设置为 1 小时。这将包括每位客户截止时间前 1 小时内的所有交易。

默认情况下，截止时间的交易也包含在计算中。我们可以通过设置include_cutoff_time=False来排除这些交易。

fm, fd = ft.dfs(
    target_entity='customers',
    entityset=es,
    cutoff_time=cutoff_time,
    include_cutoff_time=False,
    cutoff_time_in_index=True,
    training_window='1h',
    trans_primitives=[],
    agg_primitives=['sum'],
    verbose=True,
)

fm.sort_index().head() 

                                 SUM(transactions.amount)
customer_id time                                         
1           2014-01-01 00:44:25                      0.00
            2014-01-01 00:45:30                     21.35
            2014-01-01 00:46:35                    129.46
            2014-01-01 00:47:40                    241.99
            2014-01-01 00:48:45                    248.28

如果截止时间未传递给 DFS，则每个客户的所有交易都包含在计算中。让我知道这是否有帮助。