求助：使用timetk包step_fourier函数时，time_series_split拆分后出现NaN

问题原因 #

你的数据属于面板时间序列（每个symbol对应一条独立的时间序列），但未通过分组限制step_fourier的计算范围，直接对整个训练集执行傅里叶特征提取时，函数无法正确处理多组时间序列混合的情况，进而生成NaN值；完整数据集未触发问题仅为巧合，并非正确的处理方式。

解决方案 #

在Recipe中加入step_group_by(symbol)，让step_fourier在每个股票分组内独立计算傅里叶特征，后续可根据需求用step_ungroup()取消分组。

修改后的代码 #

library(recipes)
library(tidyverse)
library(tidyquant)
library(timetk)

dados <- FANG %>% select(symbol, date, volume)

splits <- dados %>% 
  time_series_split(
    assess     = "1 months", 
    cumulative = TRUE
  )

# 按分组处理傅里叶特征的Recipe
rec_obj <- recipe(volume ~ ., data = training(splits)) %>% 
  step_group_by(symbol) %>%  # 限制后续步骤在每个symbol分组内执行
  step_fourier(date, period = 365, K = 1) %>% 
  step_ungroup()  # 取消分组（可选，适配多数建模流程）

# 验证输出
rec_obj %>% prep() %>% juice() %>% glimpse()

说明 #

step_group_by()会将后续的特征工程步骤（此处为傅里叶特征计算）限定在每个symbol的子时间序列中，确保每个股票的时间周期特征是基于自身的时间轴计算的，彻底解决面板数据混合计算导致的NaN问题。

内容的提问来源于stack exchange，提问作者Mairon Chaves