PEMS-SF 数据集处理 - 如何使用 Python 添加静态特征

处理 PEMS-SF 数据集时，可以通过 Python 来添加静态特征。以下是一个简单的步骤：

1. 导入 PEMS-SF 数据集

首先，我们需要导入 PEMS-SF 数据集。可以使用 pandas 库中的 read_csv() 函数来读取 csv 文件，并将其存储在一个 DataFrame 对象中。

import pandas as pd

# 导入 PEMS-SF 数据集
df = pd.read_csv('PEMS_SF.csv')

2. 添加静态特征

在 PEMS-SF 数据集中，静态特征包括天气、节假日等。由于我们没有这些静态特征的 csv 文件，我们可以使用其他数据源来获取这些信息。例如，我们可以使用天气 API 来获取天气信息，并使用节假日 API 来获取节假日信息。

import requests

# 获取天气信息
weather_api_key = 'your_weather_api_key'
weather_url = f'https://api.openweathermap.org/data/2.5/weather?q=San%20Francisco&appid={weather_api_key}'
response = requests.get(weather_url)
weather_data = response.json()

# 获取节假日信息
holiday_api_key = 'your_holiday_api_key'
holiday_url = f'https://calendarific.com/api/v2/holidays?api_key={holiday_api_key}&country=US&year=2021'
response = requests.get(holiday_url)
holiday_data = response.json()

在获取静态特征后，我们可以将其添加到 PEMS-SF 数据集中。例如，我们可以将天气信息添加到数据集中，并使用平均气温作为静态特征。

# 添加天气特征
weather = weather_data['weather'][0]['main']
temperature = weather_data['main']['temp']
df['weather'] = weather
df['temperature'] = temperature - 273.15  # 将温度从开尔文转换为摄氏度

# 计算平均气温
avg_temperature = df.groupby(['month', 'day'])['temperature'].mean()
df = pd.merge(df, avg_temperature, on=['month', 'day'], how='left')
df = df.rename(columns={'temperature_y': 'avg_temperature'})
df = df.drop(columns=['temperature_x'])

同样地，我们可以将节假日信息添加到数据集中，并使用 0 或 1 表示是否为节假日。

# 添加节假日特征
holidays = holiday_data['response']['holidays']
holiday_dates = [holiday['date']['iso'] for holiday in holidays]
df['is_holiday'] = df['date'].isin(holiday_dates).astype(int)

3. 整理数据特征

最后，我们需要整理 PEMS-SF 数据集中的特征。例如，我们可以将小时和分钟组合为一个时间戳特征，并将其设置为索引。

# 将小时和分钟组合为时间戳
df['timestamp'] = pd.to_datetime(df['date'] + ' ' + df['hour'].astype(str) + ':' + df['minute'].astype(str))

# 将时间戳设置为索引
df = df.set_index('timestamp')

# 删除不需要的列
df = df.drop(columns=['date', 'hour', 'minute'])

通过以上步骤，我们可以成功地添加静态特征并整理 PEMS-SF 数据集中的特征。