零基础入门数据挖掘——02特征工程

数据挖掘比赛—— 02特征工程

DataWhale一起组队学习：天池比赛 相关资料

1)含义
将数据转换为能更好表示潜在问题的特征，从而更好提高机器学习的性能。
包括数据理解，清洗，构造，选择和不平衡等。

2)目的
将数据转换为能更好地表示潜在问题的特征，从而提高机器学习的性能。比如，异 常值处理是为了去除噪声，填补缺失值可以加入先验知识，增强数据的表达。特征工程是一个入门简单，但想精通非常难的一件事。

3)内容介绍
常见的特征工程包括：

异常处理：

通过箱线图（或 3-Sigma）分析删除异常值； BOX-COX 转换（处理有偏分布）； 长尾截断；

特征归一化/标准化：

标准化（转换为标准正态分布）；归一化（抓换到 [0,1] 区间）； 针对幂律分布，可以采用公式：

数据分桶：

等频分桶； 等距分桶； Best-KS 分桶（类似利用基尼指数进行二分类）； 卡方分桶；

缺失值处理：

不处理（针对类似 XGBoost 等树模型）； 删除（缺失数据太多）；插值补全，包括均值/中位数/众数/建模预测/多重插补/压缩感知补全/矩阵补全等； 分箱，缺失值一个箱；

特征构造：

构造统计量特征，报告计数、求和、比例、标准差等； 时间特征，包括相对时间和绝对时间，节假日，双休日等； 地理信息，包括分箱，分布编码等方法；
非线性变换，包括 log/ 平方/ 根号等； 特征组合，特征交叉； 仁者见仁，智者见智。 𝑙𝑜𝑔( 1+𝑥)-log(1+𝑚𝑒𝑑𝑖𝑎𝑛)

1、特征筛选 过滤式（filter）：

先对数据进行特征选择，然后在训练学习器，常见的方法有 Relief/方差选择发/相关系数法/卡方检验法/互信息法；

2、包裹式（wrapper）：

直接把最终将要使用的学习器的性能作为特征子集的评价准则，常见方法有 LVM（Las Vegas Wrapper） ；

3、嵌入式（embedding）：

结合过滤式和包裹式，学习器训练过程中自动进行了特征选择，常见的有 lasso 回归；降维 PCA/ LDA/ ICA；
特征选择也是一种降维。

2、接下来具体介绍代码实现部分

处理代码如下：
2.1导入数据

import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns
from operator import itemgetter
%matplotlib inline
Train_data = pd.read_csv('used_car_train_20200313.csv', sep=' ')
Test_data = pd.read_csv('used_car_testA_20200313.csv', sep=' ')
print(Train_data.shape)
print(Test_data.shape)

2.2查看数据

Train_data.head()

Train_data.columns

2.3异常值处理
查看数据之后，接下来进行异常值处理，此处我们选择删除异常值，因为异常值的个数较少，且与平均值相差太大

# 这里我包装了一个异常值处理的代码，可以随便调用。
def outliers_proc(data, col_name, scale=3):
    """
    用于清洗异常值，默认用 box_plot（scale=3）进行清洗
    :param data: 接收 pandas 数据格式
    :param col_name: pandas 列名
    :param scale: 尺度
    :return:
    """

    def box_plot_outliers(data_ser, box_scale):
        """
        利用箱线图去除异常值
        :param data_ser: 接收 pandas.Series 数据格式
        :param box_scale: 箱线图尺度，
        :return:
        """
        iqr = box_scale * (data_ser.quantile(0.75) - data_ser.quantile(0.25))
        val_low = data_ser.quantile(0.25) - iqr
        val_up = data_ser.quantile(0.75) + iqr
        rule_low = (data_ser < val_low)
        rule_up = (data_ser > val_up)
        return (rule_low, rule_up), (val_low, val_up)

    data_n = data.copy()
    data_series = data_n[col_name]
    rule, value = box_plot_outliers(data_series, box_scale=scale)
    index = np.arange(data_series.shape[0])[rule[0] | rule[1]]
    print("Delete number is: {}".format(len(index)))
    data_n = data_n.drop(index)
    data_n.reset_index(drop=True, inplace=True)
    print("Now column number is: {}".format(data_n.shape[0]))
    index_low = np.arange(data_series.shape[0