时间序列数据是随着时间的推移反复捕获的变量值，随着时间的推移可以产生一系列的按时间顺序索引的数据点。在时间序列中，数据具有自然的时间顺序，即一个变量在特定时间的值依赖于过去的值。
传统的机器学习算法不能捕捉时间序列数据的时间顺序。数据科学家需要执行相关的特征工程，将数据的重要特征捕获到几个指标中。生成大量的时间序列特征并从中提取相关特征是一项耗时且繁琐的工作。
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。
tsfresh 包提供了对时间序列数据执行特征工程的各种功能，包括：
- 特征生成
- 特征选择
- 与大数据的兼容性
安装tsfresh 也非常的简单，官方提供了pip和conda的安装方式：
-U tsfresh# or-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 750 多个相关特征。生成的特征广泛，包括：
- 描述性统计（平均值、最大值、相关性等）
- 基于物理的非线性和复杂性指标
- 数字信号处理相关功能
- 历史压缩特征
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
