2、流程数据基础：事件日志、案例、活动、时间戳
做流程挖掘，第一步不是跑模型，也不是写代码。
而是搞清楚你手里的数据长什么样。
我见过太多人，一上来就怼算法，结果数据格式不对，折腾半天全白费。说白了，流程特征工程的基础，就是把这四个概念吃透：事件日志、案例、活动、时间戳。
2.1 事件日志：流程挖掘的原材料
事件日志是什么？
简单说，就是系统记录每一步操作的那张表。
你想想看，企业里每发生一件事，系统后台基本都会留下一条记录。比如“用户下了一笔订单”、“仓储发货了”、“财务到账了”。把这些记录按业务维度拼在一起，就成了事件日志。
我个人习惯把事件日志比作“流程的X光片”。它能告诉你：谁，在什么时间，干了什么事。
一个标准的事件日志，至少包含三列：案例ID（Case ID）、活动名称（Activity）、时间戳（Timestamp）。
来个真实世界的例子。我在电商项目里拿到的日志，长这样：
Case_ID, Activity, Timestamp
ORD001, 创建订单, 2024-03-01 09:00:00
ORD001, 支付审核, 2024-03-01 09:15:00
ORD001, 仓库拣货, 2024-03-01 10:30:00
ORD002, 创建订单, 2024-03-01 09:05:00
ORD002, 支付审核, 2024-03-01 09:20:00
ORD002, 支付失败, 2024-03-01 09:21:00
ORD002, 支付审核, 2024-03-01 09:25:00
ORD002, 仓库拣货, 2024-03-01 11:00:00看到没？每一行都是记录，但真正有用的信息藏在列与列的关系里。
2.2 案例：一次完整的业务流程实例
案例，就是一次完整的业务流转。
比如一个订单从创建到完结，或者一次客服工单从提交到关闭。案例是流程分析的“最小分析单元”。
我在电信项目里遇到过一份日志，里面混了不同年份的工单记录。当时没有按案例ID聚合，直接跑流程发现算法，结果出来一团乱麻。后来加了一步按案例分组，整个流程才清晰起来。
踩过的坑： 案例ID必须保证唯一性。我曾经遇到过一个系统，重启后案例ID会自增复位，导致不同月份的日志里出现了相同的案例ID。如果直接合并分析，会把两个完全不同的流程串到一起。
怎么判断一个字段能不能当案例ID？两个标准：
- 唯一性：同一个ID只能代表一条业务实例
- 连续性：同一个ID下的所有活动，必须按时间先后，构成一条完整的业务链
2.3 活动：流程中的每一个动作
活动，就是流程里的“一步”。
比如“客户提交申请”、“部门经理审批”、“财务打款”，这些都是活动。
活动名有个学问。太细了会爆炸，太粗了看不出细节。
举个例子：
- 太细：“订单审核-初级审核员A操作”、“订单审核-初级审核员B操作”——活动名里带了人名，案例数一多，活动节点就上百个，模型根本跑不动。
- 合理：“订单审核（初级）”——这样既能看出流程阶段，又不会过度膨胀。
我的建议： 活动命名遵循“动作+对象+阶段”的格式。比如“审核-订单-初级”、“打款-退款-已完成”。这样后期做特征聚合时，正则匹配和One-Hot编码都省心。
2.4 时间戳：流程挖掘的轴
没有时间戳，事件日志就是一张死表。
时间戳决定了活动的先后顺序，也决定了流程的耗时。
我见过最蠢的错误，是把字符串当时间戳直接排序。结果因为格式不统一，“2024-01-02”排在了“2024-01-11 09:00”的后面。为什么？因为按字符串排序，1在2前面。
曾经被坑过： 有一次客户给的日志里，时间戳和时区混在一起。有的记录是UTC+8，有的是UTC+0。如果不统一转成同一时区，同一个案例里的活动时间先后都是乱的。后来我加了一步强制转换：pandas.to_datetime() 加上utc=True。
另外要注意，时间戳的精度也影响结果。如果同一个案例里有两个活动发生在同一秒，流程发现算法可能会随机排序它俩。
所以，我建议：
- 时间戳一定要转成统一的datetime格式
- 如果精度不够（比如只有日期），要追加一个顺序序号字段
- 时区必须统一
2.5 四要素的关系
四要素不是孤立的，它们组成了流程数据的核心结构。
下面这张图，是我每次讲基础课时都会画一遍的：
核心记忆点： 事件日志 = 多张案例的集合；案例 = 一系列有序的活动序列；活动 = 某个时间点发生的具体动作；时间戳 = 串联这一切的轴。
2.6 实战中需要的数据预处理
拿到原始事件日志，通常不能直接用。我总结了一个三步走的流程：
- 列筛选：只保留Case ID、Activity、Timestamp三列（如果还有资源列比如“执行人”，可以先留着）
- 类型转换：把时间戳字符串转成datetime对象
- 排序：按Case ID + Timestamp升序排序，确保每个案例内的活动顺序正确
用Python实现，就几行代码：
import pandas as pd
# 读原始日志
df = pd.read_csv('raw_event_log.csv')
# 列筛选
df = df[['case_id', 'activity', 'timestamp']]
# 时间戳转datetime
df['timestamp'] = pd.to_datetime(df['timestamp'])
# 排序
df = df.sort_values(['case_id', 'timestamp']).reset_index(drop=True)这三步做完，你的数据才算“能用”。
一个实用技巧： 如果日志量很大，排序前可以先检查重复行。我习惯加一个 df.drop_duplicates()，防止完全相同的记录干扰流程发现。
好了，事件日志、案例、活动、时间戳这四个基础概念，到这里就讲透了。记住一句话：数据准备占到流程挖掘的80%工作量，而这四个要素，就是那80%的基础。花时间把它搞明白，后面的路会顺很多。