PEMS-SF 数据集处理及静态特征添加指南 - Python 示例

处理 PEMS-SF 数据集时，我们可以使用 Python 的 pandas 库来整理数据特征，并且可以使用其他公开数据集或 API 来添加静态特征。

以下是一个处理 PEMS-SF 数据集并添加静态特征的示例：

1. 导入必要的库

import pandas as pd
import numpy as np
import datetime
import holidays

2. 读取 PEMS-SF 数据集

df = pd.read_csv('pems_sf.csv')

3. 添加日期和时间特征

df['date'] = pd.to_datetime(df['timestamp']).dt.date
df['time'] = pd.to_datetime(df['timestamp']).dt.time
df['hour'] = pd.to_datetime(df['timestamp']).dt.hour
df['day_of_week'] = pd.to_datetime(df['timestamp']).dt.dayofweek

4. 添加节假日特征

us_holidays = holidays.US()
df['is_holiday'] = df['date'].apply(lambda x: 1 if x in us_holidays else 0)

5. 添加天气特征

我们可以使用公开的天气数据集或 API 来添加天气特征。以下是使用 API 添加天气特征的示例：

import requests

def get_weather_data(date):
    api_key = 'YOUR_API_KEY'
    url = f'https://api.openweathermap.org/data/2.5/weather?q=San%20Francisco&appid={api_key}&units=metric'
    res = requests.get(url)
    data = res.json()
    temp = data['main']['temp']
    weather_desc = data['weather'][0]['description']
    return temp, weather_desc

df['temp'] = df['date'].apply(lambda x: get_weather_data(x)[0])
df['weather_desc'] = df['date'].apply(lambda x: get_weather_data(x)[1])

6. 保存处理后的数据集

df.to_csv('pems_sf_processed.csv', index=False)

通过以上步骤，我们可以成功处理 PEMS-SF 数据集，并且添加静态特征。需要注意的是，添加静态特征时需要保证特征的时间跨度与 PEMS-SF 数据集一致，否则可能会出现错误的预测结果。