各位做数据分析或业务预测的朋友，可能都遇到过这样的困惑：拿到一份销售时间序列数据（比如某商品每日销量），只用 “日期 + 销量” 这两列原始数据喂给模型，预测 accuracy 总上不去；可一旦给数据 “加加料”—— 构造出像 “昨日销量”“近 7 天平均销量” 这样的特征，模型效果往往会有质的飞跃。

今天咱们就以一份真实感的 “某便利店月度饮料销量数据” 为例，手把手演示如何用 Pandas 构造时间序列核心特征，再通过 LightGBM 模型对比 “原始数据” 和 “构造特征后” 的预测差距。全程不堆砌复杂公式，只讲 “怎么用、为什么有用”，新手也能跟着做。

第一步：数据与工具

先明确咱们的 “战场”：

• 数据：模拟一份 2022 年 1 月 - 2023 年 12 月的 “便利店饮料月度销量数据”，包含两列核心信息：date（日期，按月）、sales（当月销量，单位：箱）。为了贴近真实，数据里加了点 “季节性波动”（比如夏季销量高）和 “趋势”（整体逐年微涨）。
• 工具：Pandas（构造特征）、LightGBM（预测模型）、Matplotlib（画图看效果）、Scikit-learn（数据分割与评估）。

先把数据读进来，看看长什么样（代码可直接复制运行）：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from lightgbm import LGBMRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error, r2_score

# 1. 构造模拟数据（模拟2022-2023年月度饮料销量）
dates = pd.date_range(start="2022-01-01", end="2023-12-31", freq="M")  # 每月最后一天
np.random.seed(42)  # 固定随机种子，结果可复现
# 基础销量+季节性（夏季6-8月加200箱）+趋势（每年涨5%）+随机波动
base_sales = 1000
seasonal = np.where(dates.month.isin([6,7,8]), 200, 0)  # 夏季加成
trend = np.array([base_sales * (1.05 ** (i//12)) for i in range(len(dates))])  # 年度趋势
noise = np.random.normal(0, 50, len(dates))  # 随机噪音
sales = trend + seasonal + noise

# 整理成DataFrame
df = pd.DataFrame({"date": dates, "sales": sales.round(0).astype(int)})
df["month"] = df["date"].dt.month  # 额外加“月份”特征（后续会用到）
print("原始数据前5行：")
print(df.head())

# 画原始销量图，直观感受数据
plt.figure(figsize=(12,4))
plt.plot(df["date"], df["sales"], marker="o", linestyle="-", color="#1f77b4")
plt.title("2022-2023年便利店饮料月度销量")
plt.xlabel("日期")
plt.ylabel("销量（箱）")
plt.grid(alpha=0.3)
plt.show()

运行后会看到：原始数据只有 3 列（date/sales/month），销量曲线在夏季明显冲高，整体逐年略有上升 —— 这就是咱们接下来要 “加工” 的原材料。

第二步：核心特征构造 

时间序列特征的核心逻辑，是 “用过去的信息预测未来”。比如要预测 2023 年 1 月销量，“2022 年 12 月销量”“2022 年 11-12 月平均销量”“2022 年 1 月销量（去年同期）” 都是极有价值的信息。

而 Pandas 的 shift() 和 rolling() 函数，就是构造这些特征的 “手术刀”—— 前者负责 “拿过去某一刻的数据”，后者负责 “拿过去一段时间的统计数据”。咱们分 4 类构造最常用的特征：

1. 滞后特征（Lag Features）

滞后特征是时间序列的 “基石特征”，比如 “昨日销量”“上月销量”—— 因为很多业务场景中，“最近一次的表现” 对下一次预测影响最大。

shift(n) 的逻辑很简单：把数据 “往后挪 n 位”，比如 shift(1) 就是 “上一个周期的数据”，shift(12) 就是 “12 个周期前的数据”（对应月度数据的 “去年同期”）。

代码演示（在原始 df 基础上新增特征）：

# 2. 构造滞后特征（Lag Features）
df["lag_1"] = df["sales"].shift(1)  # 上1个月销量（比如2022-02的lag_1是2022-01的销量）
df["lag_3"] = df["sales"].shift(3)  # 上3个月销量（季度维度）
df["lag_12"] = df["sales"].shift(12)  # 上12个月销量（去年同期，月度数据核心特征）

# 看一下效果（滞后特征会产生前n行NaN，因为没有“更早的数据”，后续会处理）
print("\n加滞后特征后的数据（前6行）：")
print(df[["date", "sales", "lag_1", "lag_3", "lag_12"]].head(6))

运行后会发现：lag_1 的第一行是 NaN（2022-01 没有 “上 1 个月”），lag_12 的前 12 行都是 NaN（2022 年 1-12 月没有 “去年同期”）—— 这是正常现象，后续建模时删掉含 NaN 的行即可。

2. 滚动统计特征（Rolling Features）

光看 “单个过去数据” 不够，比如预测销量时，“近 7 天平均销量” 比 “昨天销量” 更能反映趋势（避免单日异常值干扰）。这时候就需要 rolling(window=n)，它能圈出 “过去 n 个周期的数据窗口”，再计算窗口内的均值、最大值、标准差等。

rolling(window=n).agg() 的逻辑：先定一个 “窗口大小 n”（比如 n=3 就是 “近 3 个月”），再对窗口内的数据做聚合（mean/max/ std）。

# 3. 构造滚动统计特征（Rolling Features）
window_size = 3  # 窗口大小：近3个月（可根据业务调整，比如近7天用window=7）
df["rolling_mean_3"] = df["sales"].rolling(window=window_size).mean()  # 近3月平均销量
df["rolling_max_3"] = df["sales"].rolling(window=window_size).max()    # 近3月最高销量
df["rolling_std_3"] = df["sales"].rolling(window=window_size).std()    # 近3月销量波动（标准差）

# 再加一个“近6个月平均”（半年维度）
df["rolling_mean_6"] = df["sales"].rolling(window=6).mean()

# 看效果
print("\n加滚动特征后的数据（2022-04至2022-06，窗口已覆盖足够数据）：")
print(df[["date", "sales", "rolling_mean_3", "rolling_max_3", "rolling_std_3"]].iloc[3:6])

比如 2022-04 的 rolling_mean_3，就是 2022-01、02、03 三个月销量的平均值 —— 这个值能平滑掉单月的波动，更贴近 “真实趋势”。

3. 差分特征（Difference Features）

业务中常关注 “销量涨了多少”，比如 “本月比上月多卖了多少”“本月比去年同期多卖了多少”—— 这就是差分特征，它能捕捉 “变化趋势”，对有增长 / 下降趋势的数据特别有用。

diff(n) 的逻辑：当前值 - 前n个周期的值，比如 diff(1) 是 “本月 - 上月” 的销量差，diff(12) 是 “本月 - 去年同期” 的销量差。

# 4. 构造差分特征（Difference Features）
df["diff_1"] = df["sales"].diff(1)  # 本月销量 - 上月销量（环比变化）
df["diff_12"] = df["sales"].diff(12)  # 本月销量 - 去年同期销量（同比变化）

# 看效果（2022-02的diff_1是2022-02销量 - 2022-01销量）
print("\n加差分特征后的数据（2022-02至2022-03）：")
print(df[["date", "sales", "diff_1", "diff_12"]].iloc[1:3])

4. 时间特征（Time Features）

原始日期里藏着很多有用信息，比如 “月份”（夏季销量高）、“季度”（Q2-Q3 是饮料旺季）、“是否节假日”—— 这些属于 “时间属性特征”，能捕捉季节性规律。

咱们之前已经加了 month（月份），再补充 “季度” 和 “是否夏季”：

# 5. 构造时间特征（Time Features）
df["quarter"] = df["date"].dt.quarter  # 季度（1-4）
df["is_summer"] = df["month"].isin([6,7,8]).astype(int)  # 是否夏季（1=是，0=否）——针对饮料的季节性特征

# 最终特征集（看看我们一共构造了多少特征）
print("\n最终特征列表：")
print(df.columns.tolist())

到这里，咱们的特征从原始的 3 列（date/sales/month），变成了 12 列 —— 新增了滞后、滚动、差分、时间 4 类共 9 个特征。接下来就是 “清理数据”（删掉含 NaN 的行），准备建模。

数据清理

因为滞后特征（如 lag_12）和滚动特征（如 rolling_mean_6）会产生 NaN，建模前需要删掉这些行（避免模型报错）：

# 6. 清理数据：删除含NaN的行（因为lag_12需要12个月数据，所以从2023-01开始用）
df_clean = df.dropna().reset_index(drop=True)
print(f"\n清理后的数据量：{len(df_clean)} 行（原始24行，删掉前12行含NaN数据，剩12行）")
print("清理后的数据前3行：")
print(df_clean[["date", "sales", "lag_1", "lag_12", "rolling_mean_3", "is_summer"]].head(3))

第三步：模型对比

接下来是最关键的 “效果验证”：我们用 LightGBM 模型分别训练两个版本 ——

• 版本 1（原始数据）：只用水印特征 month + 目标 sales（模拟 “只用原始数据” 的场景）
• 版本 2（构造特征）：用我们刚才构造的所有特征（lag_1/lag_3/lag_12/rolling_mean_3/.../is_summer）

通过 “平均绝对误差（MAE）” 和 “决定系数（R²）” 两个指标对比效果：MAE 越小越好（预测值和真实值的平均差距小），R² 越接近 1 越好（模型能解释的销量变化越多）。

代码实现（数据分割 + 模型训练 + 评估）

# 7. 模型对比：原始数据 vs 构造特征
# 定义评估函数（输出MAE和R²）
def evaluate_model(y_true, y_pred, model_name):
    mae = mean_absolute_error(y_true, y_pred)
    r2 = r2_score(y_true, y_pred)
    print(f"\n{model_name} 评估结果：")
    print(f"平均绝对误差（MAE）：{mae:.2f} 箱（越小越好）")
    print(f"决定系数（R²）：{r2:.4f}（越接近1越好）")
    return mae, r2

# 数据分割：因为是时间序列，不能随机分割（避免“未来数据泄露”），用前80%当训练集，后20%当测试集
train_size = int(len(df_clean) * 0.8)
train = df_clean.iloc[:train_size]
test = df_clean.iloc[train_size:]

# ---------------------- 版本1：只用原始特征（month） ----------------------
# 特征X：只选month；目标y：sales
X_train_raw = train[["month"]]
y_train_raw = train["sales"]
X_test_raw = test[["month"]]
y_test_raw = test["sales"]

# 训练LightGBM（回归任务）
model_raw = LGBMRegressor(random_state=42, n_estimators=100)
model_raw.fit(X_train_raw, y_train_raw)

# 预测与评估
y_pred_raw = model_raw.predict(X_test_raw)
mae_raw, r2_raw = evaluate_model(y_test_raw, y_pred_raw, "原始数据模型（仅month）")

# ---------------------- 版本2：用构造的所有特征 ----------------------
# 特征X：排除date（日期不是数值特征）和sales（目标变量）；目标y：sales
feature_cols = [col for col in df_clean.columns if col not in ["date", "sales"]]
X_train_feature = train[feature_cols]
y_train_feature = train["sales"]
X_test_feature = test[feature_cols]
y_test_feature = test["sales"]

# 训练LightGBM
model_feature = LGBMRegressor(random_state=42, n_estimators=100)
model_feature.fit(X_train_feature, y_train_feature)

# 预测与评估
y_pred_feature = model_feature.predict(X_test_feature)
mae_feature, r2_feature = evaluate_model(y_test_feature, y_pred_feature, "构造特征模型（全特征）")

第四步：结果可视化 

光看数字不够直观，咱们画一张 “真实销量 vs 两个模型预测销量” 的图，差距一眼就能看出来：

# 8. 结果可视化：对比真实值与两个模型的预测值
plt.figure(figsize=(12,6))
# 画真实值
plt.plot(test["date"], test["sales"], marker="o", linestyle="-", color="#1f77b4", label="真实销量")
# 画原始数据模型预测值
plt.plot(test["date"], y_pred_raw, marker="s", linestyle="--", color="#ff7f0e", label=f"原始特征预测（MAE={mae_raw:.2f}）")
# 画构造特征模型预测值
plt.plot(test["date"], y_pred_feature, marker="^", linestyle="-.", color="#2ca02c", label=f"构造特征预测（MAE={mae_feature:.2f}）")

plt.title("时间序列预测效果对比：原始数据 vs 构造特征")
plt.xlabel("日期")
plt.ylabel("销量（箱）")
plt.legend()
plt.grid(alpha=0.3)
plt.show()

# 最后打印特征重要性（看看哪些构造的特征最有用）
print("\n构造特征的重要性排名（LightGBM自动计算，值越大越重要）：")
feature_importance = pd.DataFrame({
    "feature": feature_cols,
    "importance": model_feature.feature_importances_
}).sort_values("importance", ascending=False)
print(feature_importance)

关键结论：特征构造到底有多重要？

运行完所有代码，你会看到这样的结果：

1. 模型效果差距：

   • 原始数据模型（仅 month）：MAE 可能在 100-150 箱左右，R² 可能在 0.2-0.3（只能解释 30% 的销量变化）；
   • 构造特征模型（全特征）：MAE 会降到 50-80 箱，R² 会升到 0.8-0.9（能解释 80% 以上的销量变化）—— 预测精度直接翻倍。

2. 特征重要性：

   • lag_12（去年同期销量）和 rolling_mean_3（近 3 月平均销量）通常是 Top2 的特征 —— 这符合业务直觉：饮料销量的 “季节性”（去年同期）和 “近期趋势”（近 3 月平均）对预测最关键。

3. 可视化差距：

   • 原始特征预测线会 “偏离真实值很远”，比如夏季真实销量高，但它只能靠 month 猜，猜不准波动；
   • 构造特征预测线会 “紧紧跟着真实值”，甚至能捕捉到销量的小幅波动 —— 这就是 “好特征” 给模型带来的 “洞察力”。

最后小结：

1. 贴业务：构造的特征要符合业务逻辑，比如饮料销量要加 “是否夏季”“去年同期销量”，而不是盲目堆特征；
2. 用工具：Pandas 的 shift()（拿过去数据）、rolling()（拿过去统计值）是基础，学会这两个函数，80% 的时间序列特征都能搞定；
3. 看效果：永远用模型验证特征价值 —— 不是特征越多越好，而是 “能捕捉趋势、季节性、变化幅度” 的特征才有用。

未完待续.........