datetime_featurizer#

可以从日期时间列中自动提取特征的转换器。

模块内容#

类摘要#

DateTimeFeaturizer

可以从日期时间列中自动提取特征的转换器。

内容#

class evalml.pipelines.components.transformers.preprocessing.datetime_featurizer.DateTimeFeaturizer(features_to_extract=None, encode_as_categories=False, time_index=None, random_seed=0, **kwargs)[source]#

可以从日期时间列中自动提取特征的转换器。

参数

features_to_extract (list) – 要提取的特征列表。有效选项包括“year”、“month”、“day_of_week”、“hour”。默认为 None。
encode_as_categories (bool) – 是否将星期和月份特征编码为 pandas 的“category”数据类型。这使得 OneHotEncoder 可以对这些特征进行编码。默认为 False。
time_index (str) – 包含用于对数据排序的日期时间信息的列的名称。忽略此参数。
random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges	{}
修改特征	True
修改目标	False
名称	日期时间特征化器
仅训练	False

方法

`克隆`	构造一个具有相同参数和随机状态的新组件。
`默认参数`	返回此组件的默认参数。
`描述`	描述组件及其参数。
`拟合`	拟合日期时间特征化器组件。
`拟合并转换`	在 X 上拟合并在 X 上进行转换。
`获取特征名称`	获取每个日期时间特征的类别。
`加载`	从文件路径加载组件。
`需要拟合`	返回布尔值，确定在调用 predict、predict_proba、transform 或 feature_importances 之前组件是否需要拟合。
`参数`	返回用于初始化组件的参数。
`保存`	将组件保存到文件路径。
`转换`	通过使用现有日期时间列创建新特征，然后删除这些日期时间列来转换数据 X。
`更新参数`	更新组件的参数字典。

clone(self)#

构造一个具有相同参数和随机状态的新组件。

返回: 此组件的一个新实例，具有相同的参数和随机状态。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回: 此组件的默认参数。
返回类型: dict

describe(self, print_name=False, return_dict=False)#

描述组件及其参数。

参数

print_name (bool, optional) – 是否打印组件名称
return_dict (bool, optional) – 是否以字典形式返回描述，格式为 {“name”: name, “parameters”: parameters}

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None 或 dict

fit(self, X, y=None)[source]#

拟合日期时间特征化器组件。

参数

X (pd.DataFrame) – 输入特征。
y (pd.Series, optional) – 目标数据。忽略此参数。

返回

self

fit_transform(self, X, y=None)#

在 X 上拟合并在 X 上进行转换。

参数

X (pd.DataFrame) – 用于拟合和转换的数据。
y (pd.Series) – 目标数据。

返回

转换后的 X。

返回类型

pd.DataFrame

引发

MethodPropertyNotFoundError – 如果转换器没有 transform 方法或实现 transform 的 component_obj。

get_feature_names(self)[source]#

获取每个日期时间特征的类别。

返回

字典，其中每个键值对是一个列名和一个字典: 将唯一的特征值映射到其整数编码。

返回类型

dict

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 加载文件的位置。
返回: ComponentBase 对象

needs_fitting(self)#

返回布尔值，确定在调用 predict、predict_proba、transform 或 feature_importances 之前组件是否需要拟合。

对于不需要拟合或其 fit 方法不执行任何操作的组件，此值可以被覆盖为 False。

返回: True。

property parameters(self)#: 返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

file_path (str) – 保存文件的位置。
pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

通过使用现有日期时间列创建新特征，然后删除这些日期时间列来转换数据 X。

参数

X (pd.DataFrame) – 输入特征。
y (pd.Series, optional) – 忽略此参数。

返回

转换后的 X

返回类型

pd.DataFrame

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将把 _is_fitted 设置为 False。