数据挖掘实战：二手车交易价格预测之特征工程

最新推荐文章于 2024-07-29 10:48:09 发布
最新推荐文章于 2024-07-29 10:48:09 发布
阅读量539 收藏 2
点赞数
分类专栏： 数据挖掘实战
原文链接：https://github.com/datawhalechina/team-learning/tree/master/数据挖掘实践%EF%BC%88二手车价格预测%EF%BC%89
版权

特征工程用于对特征进行进一步分析，并对数据进行处理
常见特征工程包括：

  1. 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；
  2. 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：
  3. 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；
  4. 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；
  5. 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；
    𝑙𝑜𝑔( 1+𝑚1+𝑒𝑑𝑥𝑖𝑎𝑛 )
  6. 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；
    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） ；
    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；
  7. 降维
    PCA/ LDA/ ICA；
    特征选择也是一种降维

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 = pd.read_csv('used_car_train_20200313.csv', sep=' ')
test = pd.read_csv('used_car_testA_20200313.csv', sep=' ')
print(train.shape)
print(test.shape)

(150000, 31)
(50000, 30)

train.head()
SaleIDnameregDatemodelbrandbodyTypefuelTypegearboxpowerkilometer...v_5v_6v_7v_8v_9v_10v_11v_12v_13v_14
007362004040230.061.00.00.06012.5...0.2356760.1019880.1295490.0228160.097462-2.8818032.804097-2.4208210.7952920.914762
1122622003030140.012.00.00.0015.0...0.2647770.1210040.1357310.0265970.020582-4.9004822.096338-1.030483-1.7226740.245522
221487420040403115.0151.00.00.016312.5...0.2514100.1149120.1651470.0621730.027075-4.8467491.8035591.565330-0.832687-0.229963
337186519960908109.0100.00.01.019315.0...0.2742930.1103000.1219640.0333950.000000-4.5095991.285940-0.501868-2.438353-0.478699
4411108020120103110.051.00.00.0685.0...0.2280360.0732050.0918800.0788190.121534-1.8962400.9107830.9311102.8345181.923482

5 rows × 31 columns

train.columns

Index(['SaleID', 'name', 'regDate', 'model', 'brand', 'bodyType', 'fuelType',
       'gearbox', 'power', 'kilometer', 'notRepairedDamage', 'regionCode',
       'seller', 'offerType', 'creatDate', 'price', 'v_0', 'v_1', 'v_2', 'v_3',
       'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12',
       'v_13', 'v_14'],
      dtype='object')

test.columns

Index(['SaleID', 'name', 'regDate', 'model', 'brand', 'bodyType', 'fuelType',
       'gearbox', 'power', 'kilometer', 'notRepairedDamage', 'regionCode',
       'seller', 'offerType', 'creatDate', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4',
       'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13',
       'v_14'],
      dtype='object')

删除异常值

# 这里封装一个异常值处理的代码，可供后续调用。
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:
        """
        # quantile 是分位函数，相当于取每列属性取值范围的3/4位置的值减去1/4位置的值，乘以scale
        iqr = box_scale * (data_ser.quantile(0.75) - data_ser.quantile(0.25))
        val_low = data_ser.quantile(0.25) - iqr  # 计算正常值下界
        val_up = data_ser.quantile(0.75) + iqr   # 计算正常值上界
        rule_low = (data_ser < val_low)   #  低于下界的样本
        rule_up = (data_ser > val_up)    # 高于上界的样本
        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]]  # 将样本下标列出来，根据rule 返回的规则，筛选超出上界或下界的样本
    print("Delete number is: {}".format(len(index)))
    data_n = data_n.drop(index)  # 丢弃异常样本
    data_n.reset_index(drop=True, inplace=True) # 剩余样本重新标记下标，原有下标废弃
    print("Now column number is: {}".format(data_n.shape[0]))
    index_low = np.arange(data_series.shape[0])[rule[0]]  # 低于下界的样本下标
    outliers = data_series.iloc[index_low]  # 筛选低于下界的样本
    print("Description of data less than the lower bound is:")
    print(pd.Series(outliers).describe())
    index_up = np.arange(data_series.shape[0])[rule[1]] # 高于上界的样本下标
    outliers = data_series.iloc[index_up]
    print("Description of data larger than the upper bound is:")
    print(pd.Series(outliers).describe())
    
    # 画出去除异常值前后的数据
    fig, ax = plt.subplots(1, 2, figsize=(10, 7))
    sns.boxplot(y=data[col_name], data=data, palette="Set1", ax=ax[0])
    sns.boxplot(y=data_n[col_name], data=data_n, palette="Set1", ax=ax[1])
    return data_n

# 可以删掉一些异常数据，以 power 为例；删不删可以自行判断
# 要注意 test 数据不能删 
train = outliers_proc(train, 'power', scale=3)

Delete number is: 963
Now column number is: 149037
Description of data less than the lower bound is:
count    0.0
mean     NaN
std      NaN
min      NaN
25%      NaN
50%      NaN
75%      NaN
max      NaN
Name: power, dtype: float64
Description of data larger than the upper bound is:
count      963.000000
mean       846.836968
std       1929.418081
min        376.000000
25%        400.000000
50%        436.000000
75%        514.000000
max      19312.000000
Name: power, dtype: float64

在这里插入图片描述

特征构造

# 训练集和测试集放在一起，方便构造特征
train['train']=1
test['train']=0
data = pd.concat([train, test], ignore_index=True, sort=False)

# 使用时间：data['creatDate'] - data['regDate']，反映汽车使用时间，一般来说价格与使用时间成反比
# 注意，数据里有时间出错的格式，所以要 errors='coerce'
data['used_time'] = (pd.to_datetime(data['creatDate'], format='%Y%m%d', errors='coerce') - 
                            pd.to_datetime(data['regDate'], format='%Y%m%d', errors='coerce')).dt.days

# 看一下空数据，有 15k 个样本的时间是有问题的，可以选择删除，也可以放着。
# 但这里不建议删除，因为删除缺失数据占总样本量过大，7.5%
# 这里先放着，如果使用 XGBoost 之类的决策树，其本身就能处理缺失值，可以不用管；
data['used_time'].isnull().sum()

15072

# 从邮编中提取城市信息，因为是德国的数据，所以参考德国的邮编，相当于加入了先验知识
data['city'] = data['regionCode'].apply(lambda x : str(x)[:-3])

# 计算某品牌的销售统计量，还可以计算其他特征的统计量
# 这里要以 train 的数据计算统计量
train_gb = train.groupby("brand")
all_info = {}
for kind, kind_data in train_gb:
    info = {}
    kind_data = kind_data[kind_data['price'] > 0]
    info['brand_amount'] = len(kind_data)
    info['brand_price_max'] = kind_data.price.max()
    info['brand_price_median'] = kind_data.price.median()
    info['brand_price_min'] = kind_data.price.min()
    info['brand_price_sum'] = kind_data.price.sum()
    info['brand_price_std'] = kind_data.price.std()
    info['brand_price_average'] = round(kind_data.price.sum() / (len(kind_data) + 1), 2)
    all_info[kind] = info
brand_fe = pd.DataFrame(all_info).T.reset_index().rename(columns={"index": "brand"}) # 将每个商标统计量转为df，转置后，每一行为商标下标，每一列为统计量名称如：brand_price，并替换列名index 为brand
data = data.merge(brand_fe, how='left', on='brand')

pd.DataFrame(all_info)
0123456789...30313233343536373839
brand_amount3.142900e+041.365600e+043.180000e+022.461000e+031.657500e+044.662000e+031.019300e+042.360000e+032.070000e+037.299000e+03...9.400000e+02318.0000005.880000e+022.010000e+02227.000000180.000000228.0000003.310000e+0265.0000009.000000
brand_price_max6.850000e+048.400000e+045.580000e+043.750000e+049.999900e+043.150000e+043.599000e+043.890000e+049.999900e+046.853000e+04...2.320000e+0411000.0000003.350000e+046.500000e+042900.00000028900.00000020900.0000008.650000e+048999.00000014500.000000
brand_price_median3.199000e+036.399000e+037.500000e+034.990000e+035.999000e+032.300000e+031.800000e+032.600000e+032.270000e+031.400000e+03...3.295000e+031000.0000002.350000e+035.600000e+03999.000000950.0000002250.0000001.325000e+042850.0000001900.000000
brand_price_min1.300000e+011.500000e+013.500000e+016.500000e+011.200000e+012.000000e+011.300000e+016.000000e+013.000000e+015.000000e+01...5.000000e+0150.0000005.000000e+019.800000e+0260.00000050.000000150.0000005.500000e+0299.000000750.000000
brand_price_sum1.737197e+081.240446e+083.766241e+061.595423e+071.382791e+081.541432e+073.645752e+079.905909e+061.001717e+071.780527e+07...3.939145e+06560155.0000002.360095e+061.839801e+06231776.000000297977.000000816001.0000005.371844e+06215620.00000039480.000000
brand_price_std6.261372e+038.988865e+031.057622e+045.396328e+038.089863e+033.344690e+034.562233e+034.752584e+036.053233e+032.975343e+03...3.659577e+031829.0792114.394596e+039.637135e+03554.1184453325.9333653922.7153891.354118e+042140.0831455520.867233
brand_price_average5.527190e+039.082860e+031.180640e+046.480190e+038.342130e+033.305670e+033.576370e+034.195640e+034.836880e+032.439080e+03...4.186130e+031755.9700004.006950e+039.107930e+031016.5600001646.2800003563.3200001.618025e+043266.9700003948.000000

7 rows × 40 columns

pd.DataFrame(all_info).T.head()
brand_amountbrand_price_maxbrand_price_medianbrand_price_minbrand_price_sumbrand_price_stdbrand_price_average
031429.068500.03199.013.0173719698.06261.3716275527.19
113656.084000.06399.015.0124044603.08988.8654069082.86
2318.055800.07500.035.03766241.010576.22444411806.40
32461.037500.04990.065.015954226.05396.3275036480.19
416575.099999.05999.012.0138279069.08089.8632958342.13
brand_fe.head()
brandbrand_amountbrand_price_maxbrand_price_medianbrand_price_minbrand_price_sumbrand_price_stdbrand_price_average
0031429.068500.03199.013.0173719698.06261.3716275527.19
1113656.084000.06399.015.0124044603.08988.8654069082.86
22318.055800.07500.035.03766241.010576.22444411806.40
332461.037500.04990.065.015954226.05396.3275036480.19
4416575.099999.05999.012.0138279069.08089.8632958342.13
data.head()
SaleIDnameregDatemodelbrandbodyTypefuelTypegearboxpowerkilometer...trainused_timecitybrand_amountbrand_price_maxbrand_price_medianbrand_price_minbrand_price_sumbrand_price_stdbrand_price_average
007362004040230.061.00.00.06012.5...14385.0110193.035990.01800.013.036457518.04562.2333313576.37
1122622003030140.012.00.00.0015.0...14757.0413656.084000.06399.015.0124044603.08988.8654069082.86
221487420040403115.0151.00.00.016312.5...14382.021458.045000.08500.0100.014373814.05425.0581409851.83
337186519960908109.0100.00.01.019315.0...17125.013994.092900.05200.015.0113034210.08244.6952878076.76
4411108020120103110.051.00.00.0685.0...11531.064662.031500.02300.020.015414322.03344.6897633305.67

5 rows × 41 columns

# 数据分桶 以 power 为例
# 这时候我们的缺失值也进桶了，
# 为什么要做数据分桶呢，原因有很多，= =
# 1. 离散后稀疏向量内积乘法运算速度更快，计算结果也方便存储，容易扩展；
# 2. 离散后的特征对异常值更具鲁棒性，如 age>30 为 1 否则为 0，对于年龄为 200 的也不会对模型造成很大的干扰；
# 3. LR 属于广义线性模型，表达能力有限，经过离散化后，每个变量有单独的权重，这相当于引入了非线性，能够提升模型的表达能力，加大拟合；
# 4. 离散后特征可以进行特征交叉，提升表达能力，由 M+N 个变量变成 M*N 个变量，进一步引入非线形，提升了表达能力；
# 5. 特征离散后模型更稳定，如用户年龄区间，不会因为用户年龄长了一岁就变化

# 当然还有很多原因，LightGBM 在改进 XGBoost 时就增加了数据分桶，增强了模型的泛化性

bin = [i*10 for i in range(31)]
data['power_bin'] = pd.cut(data['power'], bin, labels=False)
data[['power_bin', 'power']].head()
power_binpower
05.060
1NaN0
216.0163
319.0193
46.068
# 原始的列用好了，就可以删掉了
data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1)

print(data.shape)
data.columns

(199037, 39)





Index(['SaleID', 'name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox',
       'power', 'kilometer', 'notRepairedDamage', 'seller', 'offerType',
       'price', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8',
       'v_9', 'v_10', 'v_11', 'v_12', 'v_13', 'v_14', 'train', 'used_time',
       'city', 'brand_amount', 'brand_price_max', 'brand_price_median',
       'brand_price_min', 'brand_price_sum', 'brand_price_std',
       'brand_price_average', 'power_bin'],
      dtype='object')

# 目前的数据其实已经可以给树模型使用了，导出一下
data.to_csv('data_for_tree.csv', index=0)

# 可以再构造一份特征给 LR NN 之类的模型用
# 之所以分开构造是因为，不同模型对数据集的要求不同
# 看下数据分布：
data['power'].plot.hist()

<matplotlib.axes._subplots.AxesSubplot at 0x2f2ec46f470>

在这里插入图片描述

# 刚刚已经对 train 进行异常值处理了，但是还有这么奇怪的分布是因为 test 中的 power 异常值，
# 所以刚刚 train 中的 power 异常值不删为好，可以用长尾分布截断来代替
train['power'].plot.hist()

<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9187940>

在这里插入图片描述

# 我们对其取 log，在做归一化
from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
data['power'] = np.log(data['power'] + 1) 
data['power'] = ((data['power'] - np.min(data['power'])) / (np.max(data['power']) - np.min(data['power'])))
data['power'].plot.hist()

<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9b510b8>

在这里插入图片描述

# km 的比较正常，应该是已经做过分桶了
data['kilometer'].plot.hist()

<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9bd18d0>

在这里插入图片描述

# 所以可以直接做归一化
data['kilometer'] = ((data['kilometer'] - np.min(data['kilometer'])) / 
                        (np.max(data['kilometer']) - np.min(data['kilometer'])))
data['kilometer'].plot.hist()

<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9212048>

在这里插入图片描述

# 除此之外 还有刚刚构造的统计量特征：
# 'brand_amount', 'brand_price_average', 'brand_price_max',
# 'brand_price_median', 'brand_price_min', 'brand_price_std',
# 'brand_price_sum'
# 这里不再一一举例分析，直接做变换，
def max_min(x):
    return (x - np.min(x)) / (np.max(x) - np.min(x))

data['brand_amount'] = ((data['brand_amount'] - np.min(data['brand_amount'])) / 
                        (np.max(data['brand_amount']) - np.min(data['brand_amount'])))
data['brand_price_average'] = ((data['brand_price_average'] - np.min(data['brand_price_average'])) / 
                               (np.max(data['brand_price_average']) - np.min(data['brand_price_average'])))
data['brand_price_max'] = ((data['brand_price_max'] - np.min(data['brand_price_max'])) / 
                           (np.max(data['brand_price_max']) - np.min(data['brand_price_max'])))
data['brand_price_median'] = ((data['brand_price_median'] - np.min(data['brand_price_median'])) /
                              (np.max(data['brand_price_median']) - np.min(data['brand_price_median'])))
data['brand_price_min'] = ((data['brand_price_min'] - np.min(data['brand_price_min'])) / 
                           (np.max(data['brand_price_min']) - np.min(data['brand_price_min'])))
data['brand_price_std'] = ((data['brand_price_std'] - np.min(data['brand_price_std'])) / 
                           (np.max(data['brand_price_std']) - np.min(data['brand_price_std'])))
data['brand_price_sum'] = ((data['brand_price_sum'] - np.min(data['brand_price_sum'])) / 
                           (np.max(data['brand_price_sum']) - np.min(data['brand_price_sum'])))

# 对类别特征进行 OneEncoder
data = pd.get_dummies(data, columns=['model', 'brand', 'bodyType', 'fuelType',
                                     'gearbox', 'notRepairedDamage', 'power_bin'])

print(data.shape)
data.columns

(199037, 370)





Index(['SaleID', 'name', 'power', 'kilometer', 'seller', 'offerType', 'price',
       'v_0', 'v_1', 'v_2',
       ...
       'power_bin_20.0', 'power_bin_21.0', 'power_bin_22.0', 'power_bin_23.0',
       'power_bin_24.0', 'power_bin_25.0', 'power_bin_26.0', 'power_bin_27.0',
       'power_bin_28.0', 'power_bin_29.0'],
      dtype='object', length=370)

# 这份数据可以给 LR 用
data.to_csv('data_for_lr.csv', index=0)

特征筛选

过滤式

# 相关性分析
print(data['power'].corr(data['price'], method='spearman'))
print(data['kilometer'].corr(data['price'], method='spearman'))
print(data['brand_amount'].corr(data['price'], method='spearman'))
print(data['brand_price_average'].corr(data['price'], method='spearman'))
print(data['brand_price_max'].corr(data['price'], method='spearman'))
print(data['brand_price_median'].corr(data['price'], method='spearman'))

0.5728285196051496
-0.4082569701616764
0.058156610025581514
0.3834909576057687
0.259066833880992
0.38691042393409447

# 也可以直接看图
data_numeric = data[['power', 'kilometer', 'brand_amount', 'brand_price_average', 
                     'brand_price_max', 'brand_price_median']]
correlation = data_numeric.corr()

f , ax = plt.subplots(figsize = (7, 7))
plt.title('Correlation of Numeric Features with Price',y=1,size=16)
sns.heatmap(correlation,square = True,  vmax=0.8)

<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9c3b400>

在这里插入图片描述

包裹式

!pip install mlxtend

Collecting mlxtend
  Downloading mlxtend-0.17.2-py2.py3-none-any.whl (1.3 MB)
Requirement already satisfied: scipy>=1.2.1 in c:\anaconda3\envs\mytf\lib\site-packages (from mlxtend) (1.4.1)
Requirement already satisfied: setuptools in c:\anaconda3\envs\mytf\lib\site-packages (from mlxtend) (46.0.0.post20200311)
Requirement already satisfied: matplotlib>=3.0.0 in c:\anaconda3\envs\mytf\lib\site-packages (from mlxtend) (3.2.0)
Requirement already satisfied: scikit-learn>=0.20.3 in c:\anaconda3\envs\mytf\lib\site-packages (from mlxtend) (0.22.2.post1)
Requirement already satisfied: pandas>=0.24.2 in c:\anaconda3\envs\mytf\lib\site-packages (from mlxtend) (1.0.2)
Requirement already satisfied: numpy>=1.16.2 in c:\anaconda3\envs\mytf\lib\site-packages (from mlxtend) (1.18.1)
Requirement already satisfied: joblib>=0.13.2 in c:\anaconda3\envs\mytf\lib\site-packages (from mlxtend) (0.14.1)
Requirement already satisfied: cycler>=0.10 in c:\anaconda3\envs\mytf\lib\site-packages (from matplotlib>=3.0.0->mlxtend) (0.10.0)
Requirement already satisfied: kiwisolver>=1.0.1 in c:\anaconda3\envs\mytf\lib\site-packages (from matplotlib>=3.0.0->mlxtend) (1.1.0)
Requirement already satisfied: python-dateutil>=2.1 in c:\anaconda3\envs\mytf\lib\site-packages (from matplotlib>=3.0.0->mlxtend) (2.8.1)
Requirement already satisfied: pyparsing!=2.0.4,!=2.1.2,!=2.1.6,>=2.0.1 in c:\anaconda3\envs\mytf\lib\site-packages (from matplotlib>=3.0.0->mlxtend) (2.4.6)
Requirement already satisfied: pytz>=2017.2 in c:\anaconda3\envs\mytf\lib\site-packages (from pandas>=0.24.2->mlxtend) (2019.3)
Requirement already satisfied: six in c:\anaconda3\envs\mytf\lib\site-packages (from cycler>=0.10->matplotlib>=3.0.0->mlxtend) (1.14.0)
Installing collected packages: mlxtend
Successfully installed mlxtend-0.17.2

from mlxtend.feature_selection import SequentialFeatureSelector as SFS
from sklearn.linear_model import LinearRegression
sfs = SFS(LinearRegression(),
           k_features=10,
           forward=True,
           floating=False,
           scoring = 'r2',
           cv = 0)
x = data.drop(['price'], axis=1)
x = x.fillna(0)
y = data['price']
sfs.fit(x, y)
sfs.k_feature_names_

在这里插入图片描述

嵌入式

Lasso 回归和决策树可以完成嵌入式特征选择
大部分情况下都是用嵌入式做特征筛选

总结

  • 模型在比赛中发挥的作用有时不如特征工程重要，没有好的特征再好的模型也发挥不了作用。
  • 特征工程是为了从数据中提取出与问题目标相关联的信息，提高机器学习的性能。
  • 特征构造有助于发掘原始数据没有直接给出的信息。
  • 匿名特征往往不清楚特征相互直接的关联性，只有单纯基于特征进行处理：装箱，groupby，agg 等特征统计，还可以对特征进行的 log，exp 等变换，或者对多个特征进行四则运算（如上面算出的使用时长），多项式组合等然后进行筛选。
  • 特性的匿名性限制了很多对于特征的处理，有些时候用 NN 去提取一些特征也会达到意想不到的良好效果。
  • 若知道特征含义，可以基于信号处理，频域提取，丰度，偏度等构建更为有实际意义的特征，如在推荐系统中，各种类型点击率统计，各时段统计，加用户属性的统计等等，这种特征构建往往要深入分析背后的业务逻辑，才能更好的找到 magic。
  • 特征工程往往与模型密切结合，所以要为 LR NN 做分桶和特征归一化，对于特征的处理效果和特征重要性等往往要通过模型来验证。
空腹熊猫
关注
专栏目录
B.【机器学习实践系列二】数据挖掘-二手车价格交易预测（含EDA探索、特征工程、特征优化、模型融合等）
丨汀、的博客
04-13 911
了解赛题赛题概况数据概况预测指标分析赛题数据读取pandas分类指标评价计算示例回归指标评价计算示例EDA探索载入各种数据科学以及可视化库载入数据总览数据概况判断数据缺失和异常了解预测值的分布特征分为类别特征和数字特征，并对类别特征查看unique分布数字特征分析类别特征分析用pandas_profiling生成数据报告特征工程导入数据删除异常值特征构造特征筛选建模调参，相关原理介绍与推荐线性回归模型决策树模型GBDT模型。
二手车交易价格预测：特征工程
Simone_future的博客
03-28 276
首先解决下第一篇博客中遗留的小问题： “打印结果时，由于行数太多，中间省略号的数据如何让查看？” pandas.set_option() 可以设置pandas相关的参数，从而改变默认参数。 打印pandas数据时，默认是输出100行，多的话会输出…省略号。 可加入下面的代码解决 #显示所有列 pd.set_option('display.max_columns', None) #显示所有行 pd....
基于二手车价格预测——特征工程
weixin_45942265的博客
04-18 1172
特征工程特征工程异常值处理箱型图法：缺失值处理数据分桶特征归一化 特征工程 我的理解就是在建模解决实际问题时，会在建模前收集可能与实际业务有关的特征，但这些特征可能是一些单一的特征，通过EDA发现这些特征值有异常值，缺失值等，不同的模型对特征的要求不一样，这些特征直接进入模型的效果往往不好，因此，我们需要对特征进行清洗，加工，筛选才能进入模型。 以下数据处理过程以二手车价格预测比赛为例。 异常值处理 异常值处理方法有很多 如3西格玛法，箱型图，孤立森林等 箱型图法： 代码： def outliers_pr
零基础入门数据挖掘 - 二手车交易价格预测
最新发布
2301_80264808的博客
07-29 313
赛题以预测二手车的交易价格为任务，数据集报名后可见并可下载，该数据来自某交易平台的二手车交易记录，总数据量超过40w，包含31列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取15万条作为训练集，5万条作为测试集A，5万条作为测试集B，同时会对name、model、brand和regionCode等信息进行脱敏。导入了若干常用的Python库，这些库主要用于数据处理、模型构建、可视化及评估。
二手车交易价格预测--特征工程
qq_43788448的博客
03-28 224
TASK 3 特征工程 如果说上一次的EDA只是对数据的一个全面感受和理解，那么这次的特征工程就是要抽丝剥茧、找到数据和预测值之间的关系，从而为建立模型打下坚实的基础。在这次的特征工程中，我们从更深层次的角度来“清洗”数据，经过数据预处理、特征提取与构造、特征筛选这几个步骤进一步加深对数据分析的理解。 数据预处理 数据预处理通常有一下几种方法 异常值处理：处理方式主要包括箱线图、3σ准则或利用模...
二手车交易价格预测-【数据的特征工程】
Leo007
03-27 574
本文章为天池比赛参赛记录，共涉及【数据的探索性分析（EDA）】、【数据的特征工程】、【建模与调参】、【模型结果融合】四个部分，本文为第二部分。 比赛链接：https://tianchi.aliyun.com/competition/entrance/231784/information 教程链接：https://tianchi.aliyun.com/notebook-ai/detail?spm...
数据挖掘实战–二手车交易价格预测（二）数据探索性分析（EDA）
12-21
数据挖掘在实际应用中，尤其是对于二手车交易价格预测这样的任务，数据探索性分析（EDA）是至关重要的步骤。本文将围绕这一主题展开，探讨如何利用Python的工具进行数据分析，为模型建立提供有价值的洞察。 首先，...
零基础入门数据挖掘 - 二手车交易价格预测-数据集
03-25
数据挖掘是IT领域中一个非常重要的分支，尤其在二手车交易市场中，通过对大量历史数据的分析，可以预测车辆的价格，帮助买卖双方做出更明智的决策。在这个“零基础入门数据挖掘 - 二手车交易价格预测”项目中，我们...
数据挖掘实战（三）：特征工程-二手车交易价格预测
勿在浮沙筑高台
03-27 916
基本介绍 重要性 调参效果有限，特征工程的好坏决定最终的排名和成绩 目的 将数据转换为能更好地表示潜在问题的特征 内容介绍（精华） 说明：以下内容中，加粗的部分为实战中使用到的方法，有具体的实现代码，剩余的相关处理技术后续再补充上。 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...
零基础入门数据挖掘 - 二手车交易价格预测 赛题理解和EDA
beautiful_well的博客
03-30 1016
这个是DataWhale在本次数据挖掘竞赛提供的学习思路图。
二手车交易价格预测.ipynb
03-24
可视化探索的一个简单的demo,一个可视化的大概的过程，方便一些新手的学习。 可视化探索的一个简单的demo,一个可视化的大概的过程，方便一些新手的学习。 可视化探索的一个简单的demo,一个可视化的大概的过程，方便一些新手的学习。
二手车价格预测-特征工程(Feature Engineering）
小白cvnice的博客
03-26 407
1、删除异常值
二手车交易价格预测——数据的特征工程
weixin_43148500的博客
03-27 338
环境：Pycharm、python3.7 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import OneHotEncoder from sklearn.metrics import mean_absolu...
二手车价格预测实战（二）——特征工程
weixin_45034418的博客
03-27 2002
特征工程方法 异常值处理方法： 线性回归是基于正态分布的前提假设，所以对其进行统计分析时，需经过数据的转换，使得数据符合正态分布。 box-cox转换： 在做线性回归的过程中，一般线性模型假定； Y=Xβ + ε， 其中ε满足正态分布，但是利用实际数据建立回归模型时，个别变量的系数通不过。例如往往不可观测的误差 ε 可能是和预测变量相关的，不服从正态分布，于是给线性回归的最小二乘估计系数的结果带...
天池二手车价格预测-特征工程
hongjiangfen的博客
03-26 324
3.1 特征工程目标 对于特征进行进一步分析，并对于数据进行处理 完成关于特征工程的分析，并针对数据进行一些图表或文字总结 3.2 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（转换到[0,1]区间） 针对幂律分布，可以采用公式 ...
二手车数据挖掘- 特征工程
胖虎卖汤圆的博客
03-28 471
Datawhale 零基础入门数据挖掘-Task3 特征工程 三、 特征工程目标 Tip:此部分为零基础入门数据挖掘的 Task3 特征工程 部分，带你来了解各种特征工程以及分析方法，欢迎大家后续多多交流。 赛题：零基础入门数据挖掘 - 二手车交易价格预测 地址：https://tianchi.aliyun.com/competition/entrance/231784/introduction?...
零基础入门数据挖掘 - 二手车交易价格预测--EDA
爱妍妍的博客
03-26 685
零基础入门数据挖掘 - 二手车交易价格预测--EDAEDA背景代码及讲解 EDA背景 赛题链接 零基础入门数据挖掘 - 二手车交易价格预测 EDA目的 熟悉数据集，了解数据集，对数据集进行验证 了解变量间的相互关系以及变量与预测值之间的存在关系 为下一步的数据处理以及特征工程奠定基础 代码及讲解 引入数据科学以及可视化库 #coding:utf-8 #导入warnings包，利用过...
数据挖掘-二手车价格预测 Task03：特征工程
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-17 629
一、特征工程理论： 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： log(1+x1+median)log(\frac{1+x}{1+median})log(1+median1+x)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：
pandas进行数据挖掘实战：二手车交易价格预测完整代码
02-23
当使用Pandas进行数据挖掘实战时，通常需要进行以下步骤： 1. 导入必要的库： ```python import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error ``` 2. 加载数据集： ```python data = pd.read_csv('二手车交易数据.csv') ``` 3. 数据预处理： ```python # 删除不需要的列 data = data.drop(['列名1', '列名2'], axis=1) # 处理缺失值 data = data.fillna(data.mean()) # 处理分类变量 data = pd.get_dummies(data, columns=['分类变量1', '分类变量2']) # 特征选择 X = data.drop('目标变量', axis=1) y = data['目标变量'] ``` 4. 划分训练集和测试集： ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 5. 构建模型并训练： ```python model = LinearRegression() model.fit(X_train, y_train) ``` 6. 模型评估： ```python y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) ``` 完整代码如下： ```python import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 加载数据集 data = pd.read_csv('二手车交易数据.csv') # 删除不需要的列 data = data.drop(['列名1', '列名2'], axis=1) # 处理缺失值 data = data.fillna(data.mean()) # 处理分类变量 data = pd.get_dummies(data, columns=['分类变量1', '分类变量2']) # 特征选择 X = data.drop('目标变量', axis=1) y = data['目标变量'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 构建模型并训练 model = LinearRegression() model.fit(X_train, y_train) # 模型评估 y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print("均方误差：", mse) ``` 希望以上代码能够帮助到你！如果你有任何其他问题，请随时提问。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值