Skip to content
TheChatArchiveThe Chat Archive
gpt-4o-2024-08-06· OpenAIAi2 WildChat-4.8M (AI2)

Что такое Lags и Strides при создании новых фичейв в pd dataframe

  1. User

    Что такое Lags и Strides при создании новых фичейв в pd dataframe

  2. Assistant

    При работе с временными рядами и создании новых признаков (фичей) могут использоваться концепции временных отставаний (lags) и шагов (strides). Эти методы помогают извлекать информацию из временных данных, чтобы улучшить модели прогнозирования. Давайте подробнее рассмотрим каждую из них:

    1. Lags (временные отставания):

      • Lags представляют собой сдвиги временного ряда на определенное количество временных шагов назад. Создание лагов позволяет использовать предыдущие значения временного ряда в качестве предикторов для текущего или будущих значений. Например, если у вас есть временной ряд продаж по дням, использование лагов позволит вам взять продажи за вчера, позавчера и т.д. в качестве признаков для построения модели.
      • Для создания лагов в pandas необходимо использовать метод .shift(), который сдвигает значения в колонке на указанное число шагов. Например:
        df['lag_1'] = df['sales'].shift(1)  # лаг на один шаг назад
        df['lag_2'] = df['sales'].shift(2)  # лаг на два шага назад
        
    2. Strides (шаги):

      • Strides обычно используются для создания окна или агрегирования данных, например, скользящих средних или других статистик на нескольких предыдущих временных точках. Это позволяет сгладить данные или выделить тренды и сезонные компоненты.
      • Для реализации strides чаще используется метод .rolling() в pandas, который создает скользящее окно. Например, можно использовать:
        df['rolling_mean'] = df['sales'].rolling(window=3).mean()  # скользящее среднее по 3 дням
        df['rolling_sum'] = df['sales'].rolling(window=3).sum()    # скользящая сумма по 3 дням
        

    Использование lag'ов и strides'ов позволяет увеличить информативность признаков, что может улучшить качество моделей, работающих с временными рядами, таких как линейные регрессии, деревья решений и нейронные сети.