深度特征综合和特征工具确实允许您将目标保留在实体集中（以便使用其历史值创建新特征），但您需要设置“时间索引”并使用“截止时间”来执行此操作无标签泄漏。
您可以使用时间索引来指定保存每行中的数据已知时间的值的列。该列使用指定time_index使用创建实体时的关键字参数entity_from_dataframe.
然后，您在跑步时使用截止时间ft.dfs() or ft.calculate_feature_matrix()要指定最后一个时间点，您应该在计算特征矩阵的每一行时使用数据。特征计算将仅使用截止时间（包括截止时间）之前的数据。因此，如果这个截止时间早于目标的时间索引值，则不会出现标签泄漏。
您可以在以下文档中详细了解这些概念处理时间 https://featuretools.alteryx.com/en/stable/getting_started/handling_time.html.
如果你根本不想与目标打交道，你可以
-
您可以使用 pandas 将其完全从数据框中删除，然后再将其设为实体。如果它不在实体集中，则不能用于创建特征。
-
您可以设置drop_contains中的关键字参数ft.dfs to ['target']。这会阻止创建任何包含字符串的功能'target'.
无论您选择上述哪个选项，仍然可以直接通过 DFS 传递目标列。如果将目标添加到截止时间数据帧，它将传递到生成的特征矩阵。这可能很有用，因为它可以确保目标列与其他功能保持对齐。您可以通过传递标签的示例here https://docs.featuretools.com/automated_feature_engineering/handling_time.html?highlight=label#running-dfs-with-cutoff-times在文档中。
使用辅助时间索引的高级解决方案
有时，单个时间索引不足以表示连续信息在两个不同时间已知的数据集。当目标是列时，通常会发生这种情况。为了处理这种情况，我们需要使用“辅助时间索引”。
Here https://www.kaggle.com/sjrothsc/using-featuretools-for-missed-appointments是来自 Kaggle 内核的一个示例，用于预测患者何时会错过与医生的预约，其中使用了辅助时间索引。数据集有一个scheduled_time，当预约被安排时，并且appointment_day，这是约会实际发生的时间。我们想告诉Featuretools，在安排预约时，一些信息（例如患者的年龄）是已知的，但其他信息（例如患者是否实际出现）直到预约当天才知道。
为此，我们创建一个appointments具有辅助时间索引的实体如下：
es = ft.EntitySet('Appointments')
es = es.entity_from_dataframe(entity_id="appointments",
dataframe=data,
index='appointment_id',
time_index='scheduled_time',
secondary_time_index={'appointment_day': ['no_show', 'sms_received']})
这表示大多数列都可以在时间上使用索引scheduled_time，但变量no_show and sms_received直到辅助时间索引中的值才能使用。
然后我们做出预测scheduled_time将我们的截止时间设置为
cutoff_times = es['appointments'].df[['appointment_id', 'scheduled_time', 'no_show']]
通过将该数据帧传递到 DFS，no_show列将不受影响地通过，但是虽然历史值no_show仍然可以用来创建特征。一个例子是这样的ages.PERCENT_TRUE(appointments.no_show)或“过去没有出现过的每个年龄段的人的百分比”。
