在Featuretools中计算多个训练窗口的特征

我有一张包含客户和交易的表。有没有办法获取过去 3/6/9/12 个月过滤的功能？我想自动生成功能：

• 过去 3 个月的跨性别者数量
• ....
• 过去 12 个月内跨性别者数量
• 过去 3 个月的平均跨性别者
• ...
• 过去 12 个月的平均跨性别者

我尝试过使用training_window =["1 month", "3 months"],，但它似乎没有为每个窗口返回多个功能。

Example:

import featuretools as ft
es = ft.demo.load_mock_customer(return_entityset=True)

window_features = ft.dfs(entityset=es,
   target_entity="customers",
   training_window=["1 hour", "1 day"],
   features_only = True)

window_features

我是否必须单独执行各个窗口然后合并结果？

正如您所提到的，在 Featuretools 0.2.1 中，您必须为每个训练窗口单独构建特征矩阵，然后合并结果。对于您的示例，您将按如下方式执行此操作：

import pandas as pd
import featuretools as ft
es = ft.demo.load_mock_customer(return_entityset=True)
cutoff_times = pd.DataFrame({"customer_id": [1, 2, 3, 4, 5],
                             "time": pd.date_range('2014-01-01 01:41:50', periods=5, freq='25min')})
features = ft.dfs(entityset=es,
                  target_entity="customers",
                  agg_primitives=['count'],
                  trans_primitives=[],
                  features_only = True)
fm_1 = ft.calculate_feature_matrix(features, 
                                   entityset=es, 
                                   cutoff_time=cutoff_times,
                                   training_window='1h', 
                                   verbose=True)

fm_2 = ft.calculate_feature_matrix(features, 
                                   entityset=es, 
                                   cutoff_time=cutoff_times,
                                   training_window='1d', 
                                   verbose=True)
new_df = fm_1.reset_index()
new_df = new_df.merge(fm_2.reset_index(), on="customer_id", suffixes=("_1h", "_1d"))

然后，新的数据框将如下所示：

customer_id COUNT(sessions)_1h  COUNT(transactions)_1h  COUNT(sessions)_1d COUNT(transactions)_1d
1           1                   17                      3                 43
2           3                   36                      3                 36
3           0                   0                       1                 25
4           0                   0                       0                 0
5           1                   15                      2                 29