# -*- coding: utf-8 -*-
"""
author: zengbin93
email: zeng_bin8888@163.com
create_dt: 2023/10/06 15:01
describe: 因子（特征）处理
"""
import pandas as pd
from loguru import logger
from sklearn.preprocessing import scale
[docs]def normalize_feature(df, x_col, **kwargs):
"""因子标准化：缩尾，然后标准化
函数计算逻辑：
1. 首先，检查因子列x_col是否存在缺失值，如果存在缺失值，则抛出异常，提示缺失值的数量。
2. 从kwargs参数中获取缩尾比例q的值，默认为0.05。
3. 对因子列进行缩尾操作，首先根据 dt 分组，然后使用lambda函数对每个组内的因子进行缩尾处理，
将超过缩尾比例的值截断，并使用scale函数进行标准化。
4. 将处理后的因子列重新赋值给原始DataFrame对象的对应列。
:param df: pd.DataFrame，数据
:param x_col: str，因子列名
:param kwargs:
- q: float，缩尾比例, 默认 0.05
:return: pd.DataFrame，处理后的数据
"""
df = df.copy()
assert df[x_col].isna().sum() == 0, "因子有缺失值，缺失数量为：{}".format(df[x_col].isna().sum())
q = kwargs.get("q", 0.05) # 缩尾比例
df[x_col] = df.groupby("dt")[x_col].transform(lambda x: scale(x.clip(lower=x.quantile(q), upper=x.quantile(1 - q))))
return df
[docs]def normalize_ts_feature(df, x_col, n=10, **kwargs):
"""对时间序列数据进行归一化处理
函数计算逻辑：
1. 首先，进行一系列的断言检查，确保因子值的取值数量大于分层数量，并且因子列没有缺失值。
2. 从kwargs参数中获取分层方法method的值，默认为"expanding"，以及min_periods的值，默认为300。
3. 如果在DataFrame的列中不存在x_col_norm列，则进行以下操作：
- 如果分层方法是"expanding"，则使用expanding函数对因子列进行处理，计算每个时间点的标准化值，公式为(当前值 - 平均值) / 标准差。
- 如果分层方法是"rolling"，则使用rolling函数对因子列进行处理，计算每个窗口的标准化值，窗口大小为min_periods，公式同上。
- 如果分层方法不是上述两种情况，则抛出错误。
- 对于缺失值，获取原始值，然后进行标准化。
4. 如果在DataFrame的列中不存在x_col_qcut列，则进行以下操作：
- 如果分层方法是"expanding"，则使用expanding函数对因子列进行处理，计算每个时间点的分位数，将其转化为分位数的标签（0到n-1）。
- 如果分层方法是"rolling"，则使用rolling函数对因子列进行处理，计算每个窗口的分位数，窗口大小为min_periods。
- 如果分层方法不是上述两种情况，则抛出错误。
- 使用分位数后的值填充原始值中的缺失值。
- 对于缺失值，获取原始值，然后进行分位数处理分层。
- 创建一个新的列x_col分层，根据分位数的标签值，将其转化为"第xx层"的字符串形式。
:param df: 因子数据，必须包含 dt, x_col 列，其中 dt 为日期，x_col 为因子值，数据样例：
:param x_col: 因子列名
:param n: 分层数量，默认为10
:param kwargs:
- method: 分层方法，expanding 或 rolling，默认为 expanding
- min_periods: expanding 时的最小样本数量，默认为300
:return: df, 添加了 x_col_norm, x_col_qcut, x_col分层 列
"""
assert df[x_col].nunique() > n, "因子值的取值数量必须大于分层数量"
assert df[x_col].isna().sum() == 0, "因子有缺失值，缺失数量为：{}".format(df[x_col].isna().sum())
method = kwargs.get("method", "expanding")
min_periods = kwargs.get("min_periods", 300)
if f"{x_col}_norm" not in df.columns:
if method == "expanding":
df[f"{x_col}_norm"] = df[x_col].expanding(min_periods=min_periods).apply(
lambda x: (x.iloc[-1] - x.mean()) / x.std(), raw=False)
elif method == "rolling":
df[f"{x_col}_norm"] = df[x_col].rolling(min_periods=min_periods, window=min_periods).apply(
lambda x: (x.iloc[-1] - x.mean()) / x.std(), raw=False)
else:
raise ValueError("method 必须为 expanding 或 rolling")
# 对于缺失值，获取原始值，然后进行标准化
na_x = df[df[f"{x_col}_norm"].isna()][x_col].values
df.loc[df[f"{x_col}_norm"].isna(), f"{x_col}_norm"] = na_x - na_x.mean() / na_x.std()
if f"{x_col}_qcut" not in df.columns:
if method == "expanding":
df[f'{x_col}_qcut'] = df[x_col].expanding(min_periods=min_periods).apply(
lambda x: pd.qcut(x, q=n, labels=False, duplicates='drop', retbins=False).values[-1], raw=False)
elif method == "rolling":
df[f'{x_col}_qcut'] = df[x_col].rolling(min_periods=min_periods, window=min_periods).apply(
lambda x: pd.qcut(x, q=n, labels=False, duplicates='drop', retbins=False).values[-1], raw=False)
else:
raise ValueError("method 必须为 expanding 或 rolling")
# 对于缺失值，获取原始值，然后进行分位数处理分层
na_x = df[df[f"{x_col}_qcut"].isna()][x_col].values
df.loc[df[f"{x_col}_qcut"].isna(), f"{x_col}_qcut"] = pd.qcut(na_x, q=n, labels=False, duplicates='drop', retbins=False)
if df[f'{x_col}_qcut'].isna().sum() > 0:
logger.warning(f"因子 {x_col} 分层存在 {df[f'{x_col}_qcut'].isna().sum()} 个缺失值，已使用前值填充")
df[f'{x_col}_qcut'] = df[f'{x_col}_qcut'].ffill()
df[f'{x_col}分层'] = df[f'{x_col}_qcut'].apply(lambda x: f'第{str(int(x+1)).zfill(2)}层')
return df
[docs]def feture_cross_layering(df, x_col, **kwargs):
"""对因子数据在时间截面上进行分层处理
函数计算逻辑：
1. 首先从参数中获取分层数量 n，默认为10。
2. 确保数据 df 包含 dt、symbol 和指定的因子列 x_col， 确保标的数量大于分层数量。
3. 如果因子列的唯一值数量大于分层数量，使用 pd.qcut 函数将因子列进行分层，按照分位数进行分组。
4. 如果因子列的唯一值数量小于等于分层数量，按照因子列的唯一值进行排序，并将每个因子值映射为对应的层级。
5. 将分层结果转换为字符串形式，以表示层级。
:param df: 因子数据，数据样例：
=================== ======== =========== ========== ==========
dt symbol factor01 factor02 factor03
=================== ======== =========== ========== ==========
2022-12-19 00:00:00 ZZUR9001 -0.0221211 0.034236 0.0793672
2022-12-20 00:00:00 ZZUR9001 -0.0278691 0.0275818 0.0735083
2022-12-21 00:00:00 ZZUR9001 -0.00617075 0.0512298 0.0990967
2022-12-22 00:00:00 ZZUR9001 -0.0222238 0.0320096 0.0792036
2022-12-23 00:00:00 ZZUR9001 -0.0375133 0.0129455 0.059491
=================== ======== =========== ========== ==========
:param x_col: 因子列名
:param kwargs:
- n: 分层数量，默认为10
:return: df, 添加了 x_col分层 列
"""
n = kwargs.get("n", 10)
assert 'dt' in df.columns, "因子数据必须包含 dt 列"
assert 'symbol' in df.columns, "因子数据必须包含 symbol 列"
assert x_col in df.columns, "因子数据必须包含 {} 列".format(x_col)
assert df['symbol'].nunique() > n, "标的数量必须大于分层数量"
if df[x_col].nunique() > n:
def _layering(x):
return pd.qcut(x, q=n, labels=False, duplicates='drop')
df[f'{x_col}分层'] = df.groupby('dt')[x_col].transform(_layering)
else:
sorted_x = sorted(df[x_col].unique())
df[f'{x_col}分层'] = df[x_col].apply(lambda x: sorted_x.index(x))
df[f"{x_col}分层"] = df[f"{x_col}分层"].fillna(-1)
df[f'{x_col}分层'] = df[f'{x_col}分层'].apply(lambda x: f'第{str(int(x+1)).zfill(2)}层')
return df