如何使用 24 小时时间序列数据作为预测特征答案

【问题标题】：How to use 24 hour time series data as a predictive feature如何使用 24 小时时间序列数据作为预测特征
【发布时间】：2019-08-29 19:09:27
【问题描述】：

我只是想知道如何最好地使用这种 24 小时时间格式作为预测功能。我的想法是将一天中的每个小时分为 24 个类别。有没有一种简单的方法可以将此对象转换为 python 日期时间对象，这会使分箱更容易，或者您建议如何处理此功能？谢谢:)

df['Duration']

0         2:50
1         7:25
2        19:00
3         5:25
4         4:45
5         2:25

df['Duration'].dtype

dtype('O')

【问题讨论】：

如果您只关心小时，请尝试在冒号上拆分：df.Duration.str.split(':').str[0]

标签： python pandas machine-learning time-series data-analysis

【解决方案1】：

您可以使用 datetime 创建一个可用的 datetime 字符串

>>> from datetime import datetime
>>> x = datetime(2019, 1, 1, 0).strftime('%Y-%m-%d %H:%M:%S')
>>> # Use that for your timestring then you can reverse it nicely back into a datetime object
>>> d = datetime.strptime('2019-01-01 00:00:00', '%Y-%m-%d %H:%M:%S')

当然你可以使用任何有效的格式字符串。

【讨论】：

【解决方案2】：

您应该从某个初始时间（例如第一次）开始以秒、分钟或小时为单位计算时间。然后您可以制作数据的 x-y 散点图，因为 x 轴（时间）现在是数字。

【讨论】：

【解决方案3】：

最佳解决方案取决于您希望从模型中获得什么。在许多情况下，将其转换为自某个时期以来的总秒数（或分钟或小时）是有意义的。要将您的数据转换为自 00:00 以来的秒数，您可以使用：

from datetime import datetime

t_str = "2:50"

t_delta = datetime.strptime(t_str, "%H:%M") - datetime(1900, 1, 1)
seconds = t_delta.total_seconds()
hours = seconds/60**2

print(seconds)
# 10200.0

使用 Python 的 datetime 类将不支持超过 23:59 的时间值。由于看起来您的数据实际上可能是一个持续时间，因此您可能希望将其表示为 Python 的 timedelta 类的实例。

from datetime import timedelta  

h, m = map(int, t_str.split(sep=':'))
t_delta = timedelta(hours=h, minutes=m)

# Get total number of seconds
seconds = t_delta.total_seconds()

【讨论】：

谢谢！我现在收到错误：ValueError：时间数据“25:30”与格式“%H:%M”不匹配。我想我还有一些清洁工作要做......
%H 格式说明符仅接受 0 到 23 之间的小时值。根据格式的可靠性，您可以使用类似 h, m = map(int, t_str.split(sep=':')); seconds = h*60**2 + m*60 的内容。