時間序列數(shù)據(jù)的預處理方法總結(jié)

在本文中，我們將主要討論以下幾點：

• 時間序列數(shù)據(jù)的定義及其重要性。
• 時間序列數(shù)據(jù)的預處理步驟。
• 構(gòu)建時間序列數(shù)據(jù)，查找缺失值，對特征進行去噪，并查找數(shù)據(jù)集中存在的異常值。

首先，讓我們先了解時間序列的定義：

時間序列是在特定時間間隔內(nèi)記錄的一系列均勻分布的觀測值。

時間序列的一個例子是黃金價格。在這種情況下，我們的觀察是在固定時間間隔后一段時間內(nèi)收集的黃金價格。時間單位可以是分鐘、小時、天、年等。但是任何兩個連續(xù)樣本之間的時間差是相同的。

在本文中，我們將看到在深入研究數(shù)據(jù)建模部分之前應執(zhí)行的常見時間序列預處理步驟和與時間序列數(shù)據(jù)相關的常見問題。

時間序列數(shù)據(jù)預處理

時間序列數(shù)據(jù)包含大量信息，但通常是不可見的。與時間序列相關的常見問題是無序時間戳、缺失值（或時間戳）、異常值和數(shù)據(jù)中的噪聲。在所有提到的問題中，處理缺失值是最困難的一個，因為傳統(tǒng)的插補（一種通過替換缺失值來保留大部分信息來處理缺失數(shù)據(jù)的技術）方法在處理時間序列數(shù)據(jù)時不適用。為了分析這個預處理的實時分析，我們將使用 Kaggle 的 Air Passenger 數(shù)據(jù)集。

時間序列數(shù)據(jù)通常以非結(jié)構(gòu)化格式存在，即時間戳可能混合在一起并且沒有正確排序。另外在大多數(shù)情況下，日期時間列具有默認的字符串數(shù)據(jù)類型，在對其應用任何操作之前，必須先將數(shù)據(jù)時間列轉(zhuǎn)換為日期時間數(shù)據(jù)類型。讓我們將其實現(xiàn)到我們的數(shù)據(jù)集中：

import pandas as pd 
 
passenger = pd.read_csv('AirPassengers.csv') 
passenger['Date'] = pd.to_datetime(passenger['Date'])  
passenger.sort_values(by=['Date'], inplace=True, ascending=True)

時間序列中的缺失值

處理時間序列數(shù)據(jù)中的缺失值是一項具有挑戰(zhàn)性的任務。傳統(tǒng)的插補技術不適用于時間序列數(shù)據(jù)，因為接收值的順序很重要。為了解決這個問題，我們有以下插值方法：

插值是一種常用的時間序列缺失值插補技術。它有助于使用周圍的兩個已知數(shù)據(jù)點估計丟失的數(shù)據(jù)點。這種方法簡單且最直觀。處理時序數(shù)據(jù)時可以使用以下的方法：

• 基于時間的插值
• 樣條插值
• 線性插值

讓我們看看我們的數(shù)據(jù)在插補之前的樣子：

from matplotlib.pyplot import figure 
import matplotlib.pyplot as plt 
 
figure(figsize=(12, 5), dpi=80, linewidth=10) 
plt.plot(passenger['Date'], passenger['Passengers']) 
plt.title('Air Passengers Raw Data with Missing Values') 
plt.xlabel('Years', fontsize=14) 
plt.ylabel('Number of Passengers', fontsize=14) 
plt.show()

讓我們看看以上三個方法的結(jié)果：

passenger[‘Linear’] = passenger[‘Passengers’].interpolate(method=’linear’) 
passenger[‘Spline order 3’] = passenger[‘Passengers’].interpolate(method=’spline’, order=3) 
passenger[‘Time’] = passenger[‘Passengers’].interpolate(method=’time’) 
 
methods = ['Linear', 'Spline order 3', 'Time'] 
 
from matplotlib.pyplot import figure 
import matplotlib.pyplot as plt 
for method in methods: 
    figure(figsize=(12, 4), dpi=80, linewidth=10) 
    plt.plot(passenger["Date"], passenger[method]) 
    plt.title('Air Passengers Imputation using: ' + types) 
    plt.xlabel("Years", fontsize=14) 
    plt.ylabel("Number of Passengers", fontsize=14) 
    plt.show()

所有的方法都給出了還不錯的結(jié)果。當缺失值窗口(缺失數(shù)據(jù)的寬度)很小時，這些方法更有意義。但是如果丟失了幾個連續(xù)的值，這些方法就更難估計它們。

時間序列去噪

時間序列中的噪聲元素可能會導致嚴重問題，所以一般情況下在構(gòu)建任何模型之前都會有去除噪聲的操作。最小化噪聲的過程稱為去噪。以下是一些通常用于從時間序列中去除噪聲的方法：

滾動平均值

滾動平均值是先前觀察窗口的平均值，其中窗口是來自時間序列數(shù)據(jù)的一系列值。為每個有序窗口計算平均值。這可以極大地幫助最小化時間序列數(shù)據(jù)中的噪聲。

讓我們在谷歌股票價格上應用滾動平均值：

rolling_google = google_stock_price['Open'].rolling(20).mean() 
plt.plot(google_stock_price['Date'], google_stock_price['Open']) 
plt.plot(google_stock_price['Date'], rolling_google) 
plt.xlabel('Date') 
plt.ylabel('Stock Price') 
plt.legend(['Open','Rolling Mean']) 
plt.show()

傅里葉變換

傅里葉變換可以通過將時間序列數(shù)據(jù)轉(zhuǎn)換到頻域來幫助去除噪聲，我們可以過濾掉噪聲頻率。然后應用傅里葉反變換得到濾波后的時間序列。我們用傅里葉變換來計算谷歌股票價格。

denoised_google_stock_price = fft_denoiser(value, 0.001, True) 
plt.plot(time, google_stock['Open'][0:300]) 
plt.plot(time, denoised_google_stock_price) 
plt.xlabel('Date', fontsize = 13) 
plt.ylabel('Stock Price', fontsize = 13) 
plt.legend([‘Open’,’Denoised: 0.001']) 
plt.show()

時間序列中的離群值檢測

時間序列中的離群值是指趨勢線的突然高峰或下降。導致離群值可能有多種因素。讓我們看一下檢測離群值的可用方法：

基于滾動統(tǒng)計的方法

這種方法最直觀，適用于幾乎所有類型的時間序列。在這種方法中，上限和下限是根據(jù)特定的統(tǒng)計量度創(chuàng)建的，例如均值和標準差、Z 和 T 分數(shù)以及分布的百分位數(shù)。例如，我們可以將上限和下限定義為：

取整個序列的均值和標準差是不可取的，因為在這種情況下，邊界將是靜態(tài)的。邊界應該在滾動窗口的基礎上創(chuàng)建，就像考慮一組連續(xù)的觀察來創(chuàng)建邊界，然后轉(zhuǎn)移到另一個窗口。該方法是一種高效、簡單的離群點檢測方法。

孤立森林

顧名思義，孤立森林是一種基于決策樹的異常檢測機器學習算法。它通過使用決策樹的分區(qū)隔離給定特征集上的數(shù)據(jù)點來工作。換句話說，它從數(shù)據(jù)集中取出一個樣本，并在該樣本上構(gòu)建樹，直到每個點都被隔離。為了隔離數(shù)據(jù)點，通過選擇該特征的最大值和最小值之間的分割來隨機進行分區(qū)，直到每個點都被隔離。特征的隨機分區(qū)將為異常數(shù)據(jù)點在樹中創(chuàng)建更短的路徑，從而將它們與其余數(shù)據(jù)區(qū)分開來。

K-means 聚類

K-means 聚類是一種無監(jiān)督機器學習算法，經(jīng)常用于檢測時間序列數(shù)據(jù)中的異常值。該算法查看數(shù)據(jù)集中的數(shù)據(jù)點，并將相似的數(shù)據(jù)點分組為 K 個聚類。通過測量數(shù)據(jù)點到其最近質(zhì)心的距離來區(qū)分異常。如果距離大于某個閾值，則將該數(shù)據(jù)點標記為異常。K-Means 算法使用歐幾里得距離進行比較。

可能的面試問題

如果一個人在簡歷中寫了一個關于時間序列的項目，那么面試官可以從這個主題中提出這些可能的問題：

• 預處理時間序列數(shù)據(jù)的方法有哪些，與標準插補方法有何不同？
• 時間序列窗口是什么意思？
• 你聽說過孤立森林嗎？如果是，那么你能解釋一下它是如何工作的嗎？
• 什么是傅立葉變換，我們?yōu)槭裁葱枰?/section>
• 填充時間序列數(shù)據(jù)中缺失值的不同方法是什么？

總結(jié)

在本文中，我們研究了一些常見的時間序列數(shù)據(jù)預處理技術。我們從排序時間序列觀察開始；然后研究了各種缺失值插補技術。因為我們處理的是一組有序的觀察結(jié)果，所以時間序列插補與傳統(tǒng)插補技術不同。此外，還將一些噪聲去除技術應用于谷歌股票價格數(shù)據(jù)集，最后討論了一些時間序列的異常值檢測方法。使用所有這些提到的預處理步驟可確保高質(zhì)量數(shù)據(jù)，為構(gòu)建復雜模型做好準備。

作者：Shashank Gupta
來源：deephub