Python 时间序列特征衍生

时间序列的特征衍生是指从已有的时间序列数据中抽取新特征，以更好地描述时间序列的性质和规律。下面列举一些常用的时间序列特征衍生方法：

1. 移动平均：可以计算不同时间窗口内的平均值，例如5天、10天或30天的移动平均值，这些平均值都可以作为新的特征。

2. 指数加权移动平均：类似于移动平均，但是对最近的数据赋予更高的权重，可以更好地反映时间序列的趋势。

3. 时间差分：计算相邻两个数据点之间的时间差，可以用于描述时间序列的波动性和变化率。

4. 周期性统计量：计算时间序列在不同时间尺度上的周期性统计量，例如周、月、季度等，可以用于描述时间序列的季节性变化，例如季节性趋势和周期性振荡。

5. 自回归模型：使用过去的时间序列值来预测未来的值，可以提取自回归模型的系数作为新的特征。

6. 滞后变量：计算时间序列在不同时间滞后下的值，例如一个月前、三个月前的值，可以用于描述时间序列的滞后效应。

7. 峰度和偏度：计算时间序列的峰度和偏度，可以用于描述时间序列的分布形态，例如是否对称、是否尖峰或平缓等。

8. 时间序列分解：将时间序列分解为趋势、季节性和残差三个部分，可以用于描述时间序列的长期趋势、季节性变化和随机波动。