- 综合排序
- 最热优先
- 最新优先
- 来自专栏DeepHub IMBA
使用 tsfresh 和 AutoML 进行时间序列特征工程
tsfresh tsfresh（Time Series Feature Extraction based on Scalable Hypothesis tests，基于可扩展假设检验的时间序列特征提取 示例结构大致如下： 特征提取 通常会调用类似这样的代码： from tsfresh import extract_features from tsfresh.feature_extraction import tsfresh 提供了工具来填充或删除包含太多 NaN 的列： from tsfresh.utilities.dataframe_functions import impute impute(features T 变体（带 tsfresh 特征的 Auto-sklearn）使用固定窗口大小（比如 w = 100），应用 tsfresh 从每个窗口段提取数百个特征，用 Benjamini-Hochberg 程序为每个预测步骤选择统计显著的特征 tsfresh 特征有帮助，但不一定以预期的方式：总体来看，纯窗口大小变体 W 是最强的，而基于 tsfresh 的变体可能在特定领域或评估指标上更有优势。
15210编辑于 2026-01-22 - 来自专栏数据派THU
几行 Python 代码就可以提取数百个时间序列特征
python的tsfresh包可以为时间序列数据生成标准的数百个通用特性。在本文中，我们将深入讨论tsfresh包的使用。 tsfresh 是一个可以生成数百个相关的时间序列特征的开源包。 -U tsfresh # or conda install -c conda-forge tsfresh 1、特征生成 tsfresh 包提供了一个自动特征生成 API，可以从 1 个时间序列变量中生成 tsfresh还提供api来扩展特征的生成/提取，以及针对大量数据的特征选择实现: 多线程处理:默认tsfresh包可以将特征生成/提取和特征选择在多核上并行执行。 分布式框架：tsfresh还实现了一个自己的分布式框架，将特征计算分布在多台机器上加快计算速度。 Spark兼容：tsfresh还可以使用spark或Dask来处理非常大的数据。 tsfresh 的官方文档： https://tsfresh.readthedocs.io/en/latest/ 编辑：于腾凯
1.1K20编辑于 2022-08-29 - 来自专栏DeepHub IMBA
几行 Python 代码就可以提取数百个时间序列特征
python的tsfresh包可以为时间序列数据生成标准的数百个通用特性。在本文中，我们将深入讨论tsfresh包的使用。 tsfresh 是一个可以生成数百个相关的时间序列特征的开源包。 从 tsfresh 生成的特征可用于解决分类、预测和异常值检测用例。 -U tsfresh # or conda install -c conda-forge tsfresh 1、特征生成 tsfresh 包提供了一个自动特征生成 API，可以从 1 个时间序列变量中生成 tsfresh还提供api来扩展特征的生成/提取，以及针对大量数据的特征选择实现: 多线程处理:默认tsfresh包可以将特征生成/提取和特征选择在多核上并行执行。 分布式框架：tsfresh还实现了一个自己的分布式框架，将特征计算分布在多台机器上加快计算速度。 Spark兼容：tsfresh还可以使用spark或Dask来处理非常大的数据。
60410编辑于 2022-11-11 - 来自专栏磐创AI技术团队的专栏
通过正则化扩展回归库
为了熟悉tsfresh，我们首先使用MinimalFCParameters设置生成少量特征： from tsfresh import extract_relevant_features from tsfresh.feature_extraction = pd.read_pickle('pkl/drum_tsfresh.pkl') print(audio_tsfresh.shape) audio_tsfresh.head() ? 最小tsfresh vs 有效tsfresh 我们的第一个分析测试了这样一个假设：使用更多生成的tsfresh特征可以得到更好的模型。 为了测试这一点，我们使用最小tsfresh和有效tsfresh特征来拟合一个模型。我们通过模型在测试集上的准确性来判断模型的性能。 最后，tsfresh展示了从这些基于时间序列的数据集生成特征的巨大潜力。 改进模型的潜在途径有： 使用tsfresh生成更多潜在的输入特征。
72830发布于 2020-11-02 - 来自专栏机器学习AI算法工程
Auto-ML之自动化特征工程
3.3 tsfresh tsfresh是基于可伸缩假设检验的时间序列特征提取工具。该包包含多种特征提取方法和鲁棒特征选择算法。 tsfresh可以自动地从时间序列中提取100多个特征。 为了避免提取不相关的特性，tsfresh包有一个内置的过滤过程。这个过滤过程评估每个特征对于手头的回归或分类任务的解释能力和重要性。它建立在完善的假设检验理论的基础上，采用了多种检验方法。 需要注意的是，在使用tsfresh提取特征时，需要提前把结构进行转换，一般上需转换为(None,2)的结构，例如下图所示： ? 例子： ? 可参考： https://github.com/blue-yonder/tsfresh/issues/185 。 以下是分别使用tsfresh进行特征工程、未进行特征工程以及使用tsfresh进行特征工程+特征选择后的模型效果： ? ? 4.
1.5K30发布于 2019-10-29 - 来自专栏小数志
Python中的时序分析工具包推荐（1）
本篇首先介绍3个：tsfresh、tslearn、sktime。 01 tsfresh tsfresh工具包，是一个定位于时间序列特征工程相关的工具包，包括对时间序列自动提取特征、特征选择、特征转换等，最早于2018年由德国的几名学者提出和开发。 也正因为是定位于特征工程，所以tsfresh本身是不能用于实现时序预测或者时序分类等任务的，但可以基于其特征提取的结果完成后续的操作，例如进行多时序聚类时首先应用tsfresh完成对不同时序数据的特征是一个很好的选择 tsfresh接收的时序数据类型为pandas的dataframe格式，时序数据的组织形式既可以长表也可以是宽表。 关于tsfresh的相关参考信息如下： 论文：https://doi.org/10.1016/j.neucom.2018.03.067 文档：https://tsfresh.readthedocs.io
1.9K20编辑于 2021-12-27 - 来自专栏ShowMeAI研究中心
2022年Python顶级自动化特征工程框架⛵
feature = features_defs[18]feature图片 TSFresh 简介TSFresh 是一个开源 Python 工具库，有着强大的时间序列数据特征抽取功能，它应用统计学、时间序列分析 图片TSFresh 自动从时间序列中提取 100 个特征。 这些特征描述了时间序列的基本特征，例如峰值数量、平均值或最大值或更复杂的特征，例如时间反转对称统计量。 图片 使用示例# 安装# pip install tsfresh# 数据下载from tsfresh.examples.robot_execution_failures import download_robot_execution_failures Featuretools应用：https://www.showmeai.tech/article-detail/209 官方快速入门：https://featuretools.alteryx.com/en/stable/ TSFresh ：https://github.com/blue-yonder/tsfresh Featurewiz：https://github.com/AutoViML/featurewiz PyCaret：http
2.3K60编辑于 2022-11-14 - 来自专栏machine_learning
AutoML之自动化特征工程
3.3 tsfresh tsfresh是基于可伸缩假设检验的时间序列特征提取工具。该包包含多种特征提取方法和鲁棒特征选择算法。 tsfresh可以自动地从时间序列中提取100多个特征。 需要注意的是，在使用tsfresh提取特征时，需要提前把结构进行转换，一般上需转换为(None,2)的结构，例如下图所示： ? 例子： import matplotlib.pylab as plt from tsfresh import extract_features, select_features from tsfresh.utilities.dataframe_functions 可参考： https://github.com/blue-yonder/tsfresh/issues/185 。 以下是分别使用tsfresh进行特征工程、未进行特征工程以及使用tsfresh进行特征工程+特征选择后的模型效果： ? ? 4.
2.5K21发布于 2020-09-09 - 来自专栏数据STUDIO
特征选择与特征提取最全总结
dataset['Date_Stamp'] = pd.to_datetime(dataset.index) dataset = dataset.dropna() dataset.head() tsfresh 特征提取 需要安装第三方模块：pip install tsfresh TsFresh能自动地计算出大量的时间序列特征，即所谓的特征，这些特征描述了时间序列的基本特征，如峰数、平均值或最大值或更复杂的特征 指定少量特征提取 from tsfresh import extract_features import tsfresh df2 = dataset.reset_index() df2 = df2.dropna column_value='Adj Close') X.head() Feature Extraction: 100%|██████████| 6/6 [00:00<00:00, 7.88it/s] >>> tsfresh.feature_extraction.feature_calculators.abs_energy (dataset['Adj Close']) 2549098.5821893318 >>> tsfresh.feature_extraction.feature_calculators.absolute_sum_of_changes
5.3K23发布于 2021-09-26 - 来自专栏人工智能
智能库存管理的需求预测模型：从业务痛点到落地代码的完整实践
("sales_smooth", F.avg("sales").over(w)) return df3.3 特征生成脚本（本地 Pandas 版）import pandas as pdfrom tsfresh reset_index(level=0, drop=True) # 节假日 df = pd.merge(df, holiday_df, on='date', how='left') # TSFresh 自动特征 tsfresh_feat = extract_features( df[['sku_id', 'date', 'sales']].rename(columns={'sku_id column_id='id', column_sort='time', impute_function=None, n_jobs=4 ) df = df.join(tsfresh_feat
10.4K23编辑于 2025-09-09 - 来自专栏数据STUDIO
全自动机器学习 AutoML 高效预测时间序列
通过特征化将时间序列数据转换为表格数据 我们将时间序列数据转换为表格格式，并使用开源库 sktime、tsfresh 和 tsfel 对数据进行特征化处理。 TSFreshFeatureExtractor是sktime库中的一个特征提取工具，利用tsfresh的功能从时间序列数据中提取相关特征。 tsfresh设计用于自动计算大量时间序列特征，对理解复杂的时间动态非常有益。在我们的用例中，我们使用TSFreshFeatureExtractor中最小的基本特征集来对数据进行特征化。 import tsfel from sktime.transformations.panel.tsfresh import TSFreshFeatureExtractor # 定义 tsfresh 特征提取器 = tsfresh_trafo.fit_transform(X_train) # 使用相同的特征提取器转换测试数据 X_test_transformed = tsfresh_trafo.transform
64210编辑于 2024-06-04 - 来自专栏Datawhale专栏
一文盘点AutoML 库，自动机器学习演讲摘要
除了HPO外，还有其他一些工具，例如featuretools，tsfresh，boruta等； 完全自动化。端到端学习算法，特征和预测。 特征生成 Featuretools: Deep feature synthesis tsfresh 特征选择 3种方法： 包装法（Wrapper），过滤法(Filter)，嵌入法（Embedded） Scikit-lean
1.1K20发布于 2019-12-09 - 来自专栏数据派THU
独家 | 一文盘点AutoML 库（附PPT等链接）
除了HPO外，还有其他一些工具，例如featuretools，tsfresh，boruta等； 完全自动化。端到端学习算法，特征和预测。 特征生成 Featuretools: Deep feature synthesis tsfresh 特征选择 3种方法： 包装法（Wrapper），过滤法(Filter)，嵌入法（Embedded） Scikit-lean
89120发布于 2019-11-20 - 来自专栏DeepHub IMBA
2022年10个用于时间序列分析的Python库推荐
sktime还提供与相关库的接口，例如scikit-learn、statsmodels、tsfresh、PyOD和[fbprophet]等等。” TSFresh tsfresh是一个可以自动从时间序列中提取特征的Python包。它基于时间序列中的信息可以分解为一组有意义的特征来实现的。 tsfresh 负责手动提取这些特征的繁琐任务，并提供自动特征选择和分类的工具。
2.1K40编辑于 2022-11-11 - 来自专栏时空探索之旅
AI论文速读 | 通过上下文学习评估时间序列基础模型的迁移性
论文提出 TIMETIC 框架，将“微调后性能排序”重新表述为表格形式的上下文回归任务，核心流程如下： TimeTic将可迁移性估计表述为一项上下文内的特征到性能预测任务 统一表示 数据侧：用 tsfresh [1] tsfresh: Christ M, Braun N, Neuffer J, et al. Time series feature extraction on basis of scalable hypothesis tests (tsfresh–a python package)[J].
20510编辑于 2025-10-11 - 来自专栏IT运维技术圈
今天聊聊关于AIOPS领域的磁盘故障预测
核心原理 3 步曲 步骤 做什么 关键技术 常见坑 ① 数据 收集 SMART + 性能日志 smartctl / 云监控 API 采样频率不一致 ② 特征 1500+ 特征 → 筛 30 个关键 Tsfresh 闭环迭代 • 每周重训模型，检测漂移 • 灰度发布：10% 磁盘先跑新版本 开源工具箱 工具 用途 Star diskprediction OpenStack 插件 600+ tsfresh 时序特征提取
41410编辑于 2025-08-05 - 来自专栏人工智能
AI驱动的供应链管理：需求预测实战指南
dt.month])[sales_col].transform( lambda x: x.fillna(x.median()) ) return df3.2 时间序列特征自动化from tsfresh import extract_featuresfrom tsfresh.feature_selection.relevance import calculate_relevance_table# 自动提取
3.7K11编辑于 2025-08-17 - 来自专栏量子位
自动机器学习工具全景图：精选22种框架，解放炼丹师
Tsfresh https://github.com/blue-yonder/tsfresh 2781星， 340 Forks ，243 Commits 最新版本0.11.0，2017.10.14更新 Tsfresh还与pandas和sklearn兼容，可嵌入到现有的数据科学流程中。Tsfresh库的优势在于其可扩展的数据处理实现，这部分已经在具有大量时间序列数据的生产系统中进行了测试。 5.
1.4K40发布于 2018-09-29 - 来自专栏数据STUDIO
时间序列数据分析与预测之Python工具汇总
Tsfresh 的时间序列处理 Tsfresh 是一个 Python 包。它会自动计算大量的时间序列特征，称为特征。 Tsfresh 包包括一个过滤程序，以防止提取不相关的特征。此过滤程序评估每个特征对回归或分类任务的解释能力和重要性。 https://numpy.org/ [3] Datetime: https://docs.python.org/3/library/datetime.html#module-datetime [4] Tsfresh : https://tsfresh.readthedocs.io/en/latest/index.html [5] Matplotlib: https://matplotlib.org/ [6] Plotly
3.5K20编辑于 2022-05-24 - 来自专栏DeepHub IMBA
时间序列预测的20个基本概念总结
tsfresh: tsfresh是一个用于提取时间序列特征的库，它提供了各种统计和时间特征提取方法，用于时间序列数据的特征工程。 作者：Ashish Bamania
1.2K31编辑于 2023-08-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号