根据特征工具中的截止时间创建特征

Question

我正在使用特征工具，我需要创建一个使用截止时间进行计算的特征。

我的实体集包含一个客户端 table 和一个订阅 table（它有更多但对于问题只有这些是必需的）：

import featuretools as ft
import pandas as pd


client_table = pd.DataFrame({'client_id': (1,2,3), 
                             'start_date': (dt.date(2015,1,1),dt.date(2017,10,15),dt.date(2011,1,10))})

subscription_table = pd.DataFrame({'client_id': (1,3,1,2), 
                             'start_plan_date': (dt.date(2015,1,1),dt.date(2011,1,10), dt.date(2018,2,1),dt.date(2017,10,15)), 
                             'end_plan_date':(dt.date(2018,2,1),dt.date(2019,1,10), dt.date(2021,2,1),dt.date(2019,10,15))})

客户table

client_id   start_date
0   1       2015-01-01
1   2       2017-10-15
2   3       2011-01-10

订阅 table

subscription_id client_id   start_plan_date end_plan_date
0   1   1   2015-01-01      2018-02-01
1   2   3   2011-01-10      2019-01-10
2   3   1   2018-02-01      2021-02-01
3   4   2   2017-10-15      2019-10-15

我使用 client_id 作为键并将 start_date 设置为 time_index

创建了实体集

es = ft.EntitySet()
es = es.entity_from_dataframe(entity_id="client", 
                              dataframe=client_table,
                              index="client_id",
                              time_index="start_date")

es = es.entity_from_dataframe(entity_id="subscription", 
                              dataframe=subscription_table,
                              index="subscription_id",
                              time_index="start_plan_date", 
                              variable_types={"client_id": ft.variable_types.Index,
                                             "end_plan_date": ft.variable_types.Datetime})

relation= ft.Relationship(es["client"]["client_id"],es["subscription"]["client_id"])

es = es.add_relationship(relation)
print(es)

输出：

Entityset: None
  Entities:
    subscription [Rows: 4, Columns: 4]
    client [Rows: 3, Columns: 2]
  Relationships:
    subscription.client_id -> client.client_id

现在，我需要创建一个功能来估计每个客户的截止时间（即 01/01/2018）和最近的 end_plan_date 之间的时间。以代数形式计算应该是

time_remaining_in_plan = 最大值(subscription.end_plan_date - cutoff_time)

我还需要计算自客户端启动以来的时间量：

time_since_start = cutoff_time - client.start_date

在我的示例中，这些功能的预期输出应如下所示（我假设时差以天为单位，但也可能是几个月，我还使用截止时间的时间范围）：

client_id cutoff_time time_remaining_in_plan  time_since_start
0   3     2018-10-31  71                      2851
1   3     2018-11-30  41                      2881
2   1     2018-10-31  824                     1399
3   1     2018-11-30  794                     1429
4   2     2018-10-31  349                     381
5   2     2018-11-30  319                     411

有没有一种方法可以使用特征工具来创建可以生成此结果的自定义基元（聚合或转换）或种子特征？

谢谢！！

Answer 1

这可以通过使用 use_calc_time 参数的自定义基元来完成。此参数将设置原语，以便在计算期间将截止时间传递给它。

对于你的情况，我们需要定义两个原语

from featuretools.primitives import make_trans_primitive
from featuretools.variable_types import Datetime, Numeric


def time_until(array, time):
    diff = pd.DatetimeIndex(array) - time
    return diff.days


TimeUntil = make_trans_primitive(function=time_until,
                                 input_types=[Datetime],
                                 return_type=Numeric,
                                 uses_calc_time=True,
                                 description="Calculates time until the cutoff time in days",
                                 name="time_until")


def time_since(array, time):
    diff = time - pd.DatetimeIndex(array)
    return diff.days


TimeSince = make_trans_primitive(function=time_since,
                                 input_types=[Datetime],
                                 return_type=Numeric,
                                 uses_calc_time=True,
                                 description="Calculates time since the cutoff time in days",
                                 name="time_since")

然后我们可以在对 ft.dfs

的调用中使用原语

cutoff_times = pd.DataFrame({
    "client_id": [1, 1, 2, 2, 3, 3],
    "cutoff_time": pd.to_datetime([dt.date(2018,10,31), dt.date(2018,11,30)]*3)
    })

fm, fl = ft.dfs(entityset=es,
                target_entity="client",
                cutoff_time=cutoff_times,
                agg_primitives=["max"],
                trans_primitives=[TimeUntil, TimeSince],
                cutoff_time_in_index=True)


# these columns correspond to time_remaining_in_plan and time_since_start
fm = fm[["MAX(subscription.TIME_UNTIL(end_plan_date))", "TIME_SINCE(start_date)"]]

这个returns

                      MAX(subscription.TIME_UNTIL(end_plan_date))  TIME_SINCE(start_date)
client_id time                                                                           
1         2018-10-31                                         -272                    1399
2         2018-10-31                                          349                     381
3         2018-10-31                                           71                    2851
1         2018-11-30                                         -302                    1429
2         2018-11-30                                          319                     411
3         2018-11-30                                           41                    2881

除了客户 ID 1 的 time_remaining_in_plan 之外，这与您在答案中寻找的结果相匹配。我仔细检查了 Feauturetools 出现的数字，我相信它们适合该数据集。

根据特征工具中的截止时间创建特征

Create features based on cutoff times in featuretools

python

feature-extraction

featuretools