包含开始和结束时间的数据的二进制预测

Question

我有一个关于包裹递送的数据集，包括旅行时间，计划运送时间，实际运送时间，延迟和计划交货时间等列。在此基础上，我需要预测交货是否准时。以下是数据集：

我打算将sklearn的{​​{1}}用于分类功能，然后将此数据放入LabelEncoder()。我的问题是，我应该转换包含TIME的功能还是只留下它？时间值DecisionTreeClassifier()表示1955，19:55表示735。我正在使用python。

Answer 1

由于19:59的1959和20:00的2000的值之间的差异基本上只有1分钟，因此使用这种数据表示法会丢失该上下文。例如，您的模型会理解这两个示例之间的差异与1900和1941之间的差异相同，这完全不是您计划发生的事情。

我无法通过数学方式向您证明这会导致您的训练模型出错，但这种做法非常糟糕。如果可能的话，我会转换为更加统一的其他东西，例如00:00（午夜）以来的分钟：

def time_converter(time_str):
    hours = int(time_str[:2])
    minutes = int(time_str[2:])
    time_since_midnight = (hours * 60) + minutes
    return time_since_midnight

time_converter('1940') # will return 1180 integer for 1180 minutes since midnight

当然，在您的数据中始终如一地这样做，以避免任何虚假陈述

Answer 2

由于您有装运延迟栏，因此不需要实际装运时间和计划装运时间。

并且您计划了旅行时间，因此不需要计划的交付时间。

但交货时间可能取决于一天中的时间（例如：早上或下午或晚上）。因此，您可以从实际发货时间中选择几个类别，并将其用于模型构建。

因此，在构建模型时，您无法真正忽略时间列。