FastTSFeatures

时间序列特征提取作为服务。FastTSFeatures是一个作为服务的SDK，用于计算静态、时间和日历变量。

该软件包作为tsfresh、tsfeatures和holidays的包装器。由于我们负责整个基础设施，特征提取变得像在Python笔记本中运行一行代码或调用API一样简单。

为什么？

我们构建FastTSFeatures，因为我们想要一种简单快捷的方式来提取时间序列特征，无需考虑基础设施和部署。现在我们想看看其他数据科学家是否也认为它很有用。

目录

• FastTSFeatures
  • 安装
  • 如何使用
    • 数据格式
    • 1. 请求免费试用
    • 2. 在私有S3桶上运行fasttsfeatures
      • 2.1 从Python上传到S3
      • 2.2 运行特征提取过程
      • 2.3 从s3下载您的结果

可用功能（超过600个）

• 40+功能：https://github.com/Nixtla/tsfeatures
• 600+时间特征：https://github.com/blue-yonder/tsfresh/
• 10个时间特征（滞后、平均滞后、标准滞后）[目前仅支持每日数据] 日历特征（到假期的分钟距离）
• 83个国家的日历功能 https://github.com/dr-prodigy/python-holidays

安装

pip install fasttsfeatures

如何使用

您可以使用FastTSFeatures，要么使用完全公开的S3存储桶，要么上传文件到我们提供的自己的S3存储桶。

数据格式

目前我们只支持.csv文件。这些文件必须包含至少3列，包括unique_id（每个时间序列的标识符）、日期戳和值。

1. 请求免费试用

发送电子邮件至： fede.garza.ramirez@gmail.com 请求免费试用，并获取您的 BUCKET_NAME、API_ID、API_KEY、AWS_ACCESS_KEY_ID 和 AWS_SECRET_ACCESS_KEY。

2. 在私有S3桶上运行fasttsfeatures

如果您不希望其他人可能访问您的数据，您可以在私有S3存储桶上运行fasttsfeatures。为此，您必须将数据上传到我们将为您提供的私有S3存储桶；您可以在Python内部完成此操作。

2.1 从Python上传到S3

您需要我们提供的AWS_ACCESS_KEY_ID和AWS_SECRET_ACCESS_KEY。

• 导入并实例化TSFeatures，引入您的BUCKET_NAME、API_ID、API_KEY、AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY。

from fasttsfeatures.core import TSFeatures

tsfeatures = TSFeatures(bucket_name='<BUCKET_NAME>',
                        api_id='<API_ID>',
                        api_key='<API_KEY>',
                        aws_access_key_id='<AWS_ACCESS_KEY_ID>',
                        aws_secret_access_key='<AWS_SECRET_ACCESS_KEY>')

• 引入文件名上传您的本地文件。

s3_uri = tsfeatures.upload_to_s3(file='<YOUR FILE NAME>')

• 运行特征提取过程

您可以在上传的数据上运行时间、静态或日历特征。要运行该过程，请指定

• s3_uri：调用tsfeatures.upload_to_s3()后提供的S3 uri。
• freq：整数，其中

{'Hourly':24, 'Daily': 7, 'Monthly': 12, 'Quarterly': 4, 'Weekly':52, 'Yearly': 1}.- ds_column：唯一id列的名称。

• y_column：目标列的名称。

在日历变量的情况下，您必须使用ISO代码指定国家。

#Run Temporal Features
response_tmp_ft = tsfeatures.calculate_temporal_features_from_s3_uri(
                    s3_uri="<PRIVATE S3 URI HERE>",
                    freq=7, # For the moment only works for Daily data.
                    unique_id_column="<NAME OF ID COLUMN>",
                    ds_column= "<NAME OF DATESTAMP COLUMN>",
                    y_column="<NAME OF TARGET COLUMN>"
                  )

#Run Static Features
response_static_ft = tsfeatures.calculate_static_features_from_s3_uri(
                      s3_uri=s3_uri,
                      freq=7,
                      unique_id_column="<NAME OF ID COLUMN>",
                      ds_column= "<NAME OF DATESTAMP COLUMN>",
                      y_column="<NAME OF TARGET COLUMN>"
                    )

#Run Calendar Features
response_cal_ft = tsfeatures.calculate_calendar_features_from_s3_uri(
                    s3_uri=s3_uri,
                    country="<ISO>",
                    unique_id_column="<NAME OF ID COLUMN>",
                    ds_column= "<NAME OF DATESTAMP COLUMN>",
                    y_column="<NAME OF TARGET COLUMN>"
                  )

response_tmp_ft

• 使用以下代码监控过程。完成后，访问您的存储桶以下载生成的特征。

job_id = response_tmp_ft['id_job'].item()

tsfeatures.get_status(job_id)

2.2 从s3下载您的结果

过程完成后，您可以从s3下载结果。

s3_uri_results = response_tmp_ft['dest_url'].item()
tsfeatures.download_from_s3(s3_url=s3_uri_results)

待办事项

• 使用Parquet文件优化读写速度
• 为不同粒度提供时间特征
• 填充零值（对于0值未报告的数据，例如零售数据）
• 对模型改进进行实证基准测试
• 处理Nan
• 上传前检查数据完整性
• 提供有意义的错误消息
• 提供有意义的状态
• 日历中可选的y参数