工业蒸汽量预测-特征工程

本篇是《阿里云天池大赛赛题解析-机器学习篇》的第一部分工业蒸汽量预测的第三章-特征工程的内容，并附带了一些知识点的网页链接
上一篇工业蒸汽量预测

3.1 特征工程的重要性和处理

特征是原始数据的数值表示。有多种方法可以将原始数据转换为数值型的表示，所以特征可以有多种形式。当然，特征必须采用可用的数据类型。事实上，特征还和模型相关联，这一点可能并不那么显而易见。有些模型更适合使用某种类型的特征，反之亦然。正确的特征应该适合当前的任务，并易于被模型所使用。特征工程就是在给定数据、模型和任务的情况下设计出最合适的特征的过程

        特征工程就是从原始数据提取特征的过程，这些特征可以很好地描述数据，并且利用特征建立的模型在未知数据上的性能表现可以达到最优（或者接近最佳性能）。特征工程一般包括特征使用、特征获取、特征处理、特征选择和特征监控。

        业界广泛流传着这样一句话：“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已”，具体来说，特征越好、灵活性越强，构建的模型越简单、性能越出色。

        特征工程的处理流程为首先去掉无用特征，接着去除冗余的特征，如共线特征，并利用存在的特征、转换特征、内容中的特征以及其他数据源生成新特征，然后对特征进行转换（数值化、类别转换、归一化等），最后对特征进行处理（异常值、最大值、最小值，缺失值等）以符合模型的使用。

       简单来说，特征工程的处理一般包括数据预处理、特征处理、特征选择等工作，而特征选择视情况而定，如果特征数量较多，则可以进行特征选择等工作。

3.2 数据预处理和特征处理

3.2.1 数据预处理

（1）数据采集：待求解的问题，哪些数据对最后的预测结果有帮助，是否能采集到这一类数据，在线上实时计算时数据获取是否快捷。

（2）数据清洗：大多时候机器学习算法就是一个加工机器，至于最后的产品如何，很大程度上取决于原材料的好坏。数据清洗就是去除“脏”数据。如何判定数据为“脏”数据呢？

简答属性判定：身高为3米的人，一个月购买10万元的美发卡。

组合或统计属性判定：号称在美国却一直是国内的新闻阅读用户。

补齐可对应的缺省值：将不可信的样本丢掉，不用缺省值极多的字段。

（3）数据采样

        数据在采集、清洗过以后，正负样本是不均衡的，所以要进行数据采样。采样的方法有随机采样和分层采样。但由于随机采样存在隐患，可能某次随机采样得到的数据很不均衡，因此更多的是根据特征进行分层抽样。

正负样本不平衡的处理方法：

正样本>负样本，且量都特别大的情况：采样下采样（downsampling）

正样本>负样本，且量都不大的情况，采用以下方法采集更多的数据：上采样（oversampling），比如图像识别中的镜像和旋转；修改**损失函数（loss function）**设置样本权重。 关与正负样本的解释

3.2.2 特征处理

        特征处理的方法包括标准化、区间缩放法、归一化、定量特征二值化、定性特征哑编码、缺失值处理和数据转换。

1.标准化

        标准化是依照特征矩阵的列处理数据，即通过求标准分数的方法，将特征转换为标准正态分布，并和整体样本分布相关。每个样本点都能对标准化产生影响。

        标准化需要计算特征的均值和标准差，公式如下：

​ $$x^{\prime }=\frac{x-\overline{X}}{S}$$

        例如，使用preprocessing库的StandardScaler类对iris数据集进行标准化，代码如下：

from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
import numpy as np
iris = load_iris()
# 标准化，返回值为标准化后的数据
# iris.data
standardData = StandardScaler().fit_transform(iris.data) #(150, 4)
# type(standardData) #numpy.ndarray
# (standardData[0,0]-np.mean(standardData[:,0]))/np.std(standardData[:,0])

iris数据集如下：

2.区间缩放法

        区间缩放法的思路有多种，常见的一种是利用两个最值（最大值和最小值）进行缩放。公式如下：

​ $$x^{\prime }=\frac{x-Min}{Max-Min}$$

        例如，使用preprocessing库的MinMaxScaler类对iris数据集进行区间缩放，代码如下：

from sklearn.preprocessing import MinMaxScaler
#区间缩放，返回值为缩放到[0,1]区间的数据
MinMaxScaler().fit_transform(iris.data)

3.归一化

        归一化是将样本的特征值转换到同一量纲下，把数据映射到[0,1]或者[a,b]区间内，由于其仅有变量的极值决定，因此区间缩放法是归一化的一种。

        归一区间会改变数据的原始距离、分布和信息，但标准化一般不会。

        规则为L2的归一化公式如下：
$$x^{\prime }=\frac{x}{\sqrt{{\sum }_j^{m}x[j{]}^2}}$$

from sklearn.preprocessing import Normalizer
# 归一化，返回值为归一化后的数据
Normalizer().fit_transform(iris.data)

       归一化与标准化的使用场景： 关与二者的分析

• 如果对输出结果范围有要求，则用归一化。
• 如果数据较稳定，不存在极端的最大值或最小值，则用归一化
• 如果数据存在异常值和较多噪声，则用标准化，这样可以通过中心化间接避免异常值和极端值的影响。
• 支持向量机（Support Vector Machine，SVM）、K近邻（K-Nearest Neighbor，KNN）、主成分分析（Principal Component Analysis，PCA）等模型都必须进行归一化或标准化操作

4.定量特征二值化

       定量特征二值化的核心在于设定一个阙值，大于阙值的赋值为1，小于等于阙值的赋值为0。例如，使用preprocessing库的Binarizer类对iris数据集进行二值化

from sklearn.preprocessing import Binarizer
# 二值化，阙值设置为3，返回值为二值化后的数据
Binarizer(threshold=3).fit_transform(iris.data)

5.定性特征哑编码

       哑变量（Dummy Variable），也被称为虚拟变量，通常是人为虚设的变量，取值为0或1，用来反映某个变量的不同属性。将类别变量转换为哑变量的过程就是哑编码。而对于有n个类别属性的特征，通常会以1个类别特征为参照，再产生n-1个哑变量。

       例如，假设特征“职业”的取值分别为工人、农民、学生、企业职员、其他等5种选项，那么我们可以将“工人”定义为（0,0,0,1）、“农民”定义为（0,0,1,0）、“学生”定义为（0,1,0,0）、“企业职员”定义为（1,0,0,0），“其他”是参考，为(0,0,0,0)。

       通常会将原始的多分类变量转换为哑变量，在构建回归模型时，每一个哑变量都能得出一个估计的回归系数，这样使得回归的结果更易于解释，也更具有实际意义。

       例如，使用preprocessing库的OneHotEncoder类对iris数据集的目标变量进行哑编码。 sklearn中的OneHotEncoder解析

from sklearn.preprocessing import OneHotEncoder
#对iris数据集的目标变量哑编码，返回值为哑编码后的数据
OneHotEncoder(categories='auto').fit_transform(iris.target.reshape((-1,1)))

6.缺失值处理

       当数据中存在缺失值时，用Pandas读取后特征均为NaN，表示数据缺失，即数据未知。例如，在iris数据集中加入几个空值（NaN）,然后使用impute库的SimpleImputer类对这个数据集进行缺失值计算。SimpleImputer详解

from numpy import vstack,array,nan
from sklearn.impute import SimpleImputer
from sklearn.datasets import load_iris
# 缺失值处理，返回值为缺失值后的数据
# 参数missing_value为缺失值的表示形式，默认为NaN
# 参数strategy为缺失值的填充方式，默认为mean（均值）
iris = load_iris()
# vstack((array([nan,nan,nan,nan]),iris.data)) #将两个元素形状相同的数组进行垂直堆叠
# SimpleImputer().fit_transform(vstack((array([nan,nan,nan,nan]),iris.data)))
# 上面等价于
# sim = SimpleImputer(missing_values=nan,strategy='mean')
# sim.fit_transform(vstack((array([nan,nan,nan,nan]),iris.data)))

       通过vstack将iris最上侧新加了一行nan，再用SimpleImputer对新的数据集进行缺失值处理，默认参数strategy为用mean填充

7.数据转换

       常见的数据转换有基于多项式、指数函数、对数函数

（1）多项式转换——4个特征，度为2的多项式转换公式为
$$\begin{gathered} (x_1^{\prime },x_2^{\prime },x_3^{\prime },x_4^{\prime },x_5^{\prime },x_6^{\prime },x_7^{\prime },x_8^{\prime },x_9^{\prime },x_{10}^{\prime },x_{11}^{\prime },x_{12}^{\prime },x_{13}^{\prime },x_{14}^{\prime },x_{15}^{\prime })= \\ (1,x_1,x_2,x_3,x_4,x_1^2,x_1\ast x_2,x_1\ast x_3,x_1\ast x_4,x_2^2,x_2\ast x_3,x_2\ast x_4,x_3^2,x_3\ast x_4,x_4^2) \end{gathered}$$
       例如，使用preprocessing库的PolynomialFeatures类对iris数据集进行多项式转换，PolynomialFeatures参数详解 为什么要进行多项式转换：

转换后，每个样本特征为15个。

from sklearn.preprocessing import PolynomialFeatures
# 多项式转换
# 参考degree为度，默认值为2
PolynomialFeatures().fit_transform(iris.data) #(150, 15)

（2）对数转换

       基于单变元函数的数据转换可以使用一个统一的方法完成。例如，使用preprocessing库的FunctionTransformer类对iris数据集进行对数转换。

       这里的FunctionTransformer类主要是对数据进行转换，转化函数由自己定义，这里用log1p：返回一个数字加1后的自然对数 (底为 E), 既log(x+1).

from numpy import log1p
from sklearn.preprocessing import FunctionTransformer
# 自定义转换函数为对数函数的数据转换
# 第一个参数是单变元函数
FunctionTransformer(log1p,validate=False).fit_transform(iris.data)

8.特征处理小结

类	功能	说明
StandardScaler	无量纲化	标准化，基于特征矩阵的列，将特征值转换为服从标准正太分布
MinMaxScaler	无量纲化	区间缩放，基于最大值或最小值，将特征值转换到[0,1]区间内
Normalizer	归一化	基于特征矩阵的行，将样本向量转换为单位向量
Binarizer	定量特征二值化	基于给定阈值，将定量特征按阈值划分
OneHotEncoder	定性特征哑编码	将定性特征编码为定量特征
Imputer	缺失值处理	计算缺失值，缺失值有多种填充策略（均值等）
PolynomialFeatures	多项式数据转换	多项式数据转换
FunctionTransformer	自定义单元数据转换	使用单变量函数转换数据

3.3 特征降维

       降维指的是采用某种映射方法，将高维向量空间的数据点映射到低维的空间中。降维的本质是学习一个映射函数$f:x->y$，其中$x$是原始数据点的表达，多采用向量表达；y是数据点映射后的低维向量表达，通常$y$的维度小于$x$的维度（当然提高维度也是可以的）。$f$函数的定义比较灵活，可以是显示或隐式的，也可以是线性或非线性的。

       在原始的高维空间中，向量数据包含冗余信息及噪声信息，其在实际应用中会对模型识别造成误差，降低准确率；而通过特征降维可以减少冗余信息造成的误差，从而提高识别的精度。特征降维的常用方法有特征选择和线性降维。

3.3.1 特征选择

1.特征选择定义

       特征选择是在数据分析和简单建模中最常用的特征降维手段。其比较简单粗暴，即映射函数直接将不重要的特征删除，不过这样会造成特征信息的丢失，不利于模型精度。由于数据分析以抓住主要影响因子为主，变量越少越有利于分析，因此特征选择常用语统计分析模型中；在超高维数据分析（特征维度过高可以直接批量删除）或者建模预处理中也会经常使用，如基因序列建模。特征选择的目标如下图所示：

特征选择的目标	说明
特征是否发散	如果一个特征不发散，即方差接近0，就说明样本在这个特征上基本没有差异，这个特征对于样本的区分没有作用
特征与目标变量的相关性	与目标相关性高的特征应当优先选择

2.特征选择的方法

       特征选择的方法有过滤法（Filter）、包装法（Wrapper）和嵌入法（Embedded）。

• 过滤法：按照发散性或者相关性对各个特征进行评分，通过设定阈值或者待选择阈值的个数来选择特征。
• 包装法：根据目标函数（通常是预测效果评分）每次选择若干特征，或者排除若干特征
• 嵌入法：使用机器学习的某些算法和模型进行训练，得到各个特征的权值系数，并根据系数从小到大选择特征。这一方法类似于过滤法，区别在于它通过训练来确定特征的优劣。

3.特征选择在Python中的具体实现

类	所属方法	具体方法
VarianceThreshold	Filter	方差选择法
SelectKBest	Filter	将可选相关系数、卡方检验或最大信息系数作为得分计算的方法
RFE	Wrapper	递归消除特征法
SelectFromModel	Embedded	基于模型的特征选择法

（1）VarianceThreshold

       使用方差选择法，先要计算各个特征的方差，然后根据阈值选择方差大于阈值的特征。

from sklearn.feature_selection import VarianceThreshold
from sklearn.datasets import load_iris
iris = load_iris()
# 方差选择法，返回值为特征选择后的数据
# 参数threshold为方差的阈值
VarianceThreshold(threshold=0.6).fit_transform(iris.data) #(150,1) 筛选出特征方差大于0.6的列的数据
# np.var(iris.data[:,0])  #0.681
# np.var(iris.data[:,1]) #0.1887
# np.var(iris.data[:,2]) #3.095
# np.var(iris.data[:,3]) #0.577

（2）SelectKBest

       1.相关系数法。使用相关系数法，先要计算各个特征对目标值的相关系数及相关系数的P值，然后根据阈值筛选特征。

import numpy as np
from sklearn.datasets import load_iris
iris = load_iris()
from array import array
from sklearn.feature_selection import SelectKBest
from scipy.stats import pearsonr
# 选择K个最好的特征，返回选择特征后的数据
# 第一个参数为计算评估特征的函数，该函数输入特征矩阵和目标向量，输出二元组（评分，P值）的数组，数组第i项为第i个特征的评分和P值。
# 在此定义为计算相关系数。
# 第二个参数k为选择的特征个数
SelectKBest(
lambda X,Y:np.array(list(map(lambda x:pearsonr(x,Y),X.T))).T[0],k=2
).fit_transform(iris.data,iris.target) #最后两个特征相关系数是最强的

       结果显示最后两列的特征系数最高，可以通过DataFrame.corr()来计算相关系数

feature = iris.feature_names
irisData = pd.DataFrame(iris.data,columns=feature)
irisData['target'] = iris.target
irisData.corr()

       2.卡方检验。经典的卡方检验是检验定性自变量与定性因变量的相关性。假设自变量有N种取值，因变量有M种取值，考虑自变量等于$i$且因变量等于$j$的样本频数的观察值与期望值的差距，构建统计量
$$x^2=\sum \frac{(A-E{)}^2}{E}$$
用feature_selection库的SelectKBest类结合卡方检验来选择特征。

from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
# 选择k个最好的特征，返回选择特征后的数据
SelectKBest(chi2,k=2).fit_transform(iris.data,iris.target)

       3.最大信息系数法(Maximal information coefficient,MIC)。MIC是基于互信息理论的，经典的互信息也是评价定性自变量与定性因变量相关性的方法。互信息资料 MIC资料

from sklearn.feature_selection import SelectKBest
from minepy import MINE
# 由于MINE的设计不是函数式的，因此需要定义mic方法将其转换为函数式，返回一个二元组，二元组的第二项设置成固定的P值，为0.5
def mic(x,y):
    m = MINE()
    m.compute_score(x,y)
    return (m.mic(),0.5)
#  选择K个最好的特征，返回特征选择后的数据
SelectKBest(
lambda X,Y:np.array(list(map(lambda x:mic(x,Y),X.T))).T[0],k=2
).fit_transform(iris.data,iris.target)

$$I(X;Y)=\sum _{x\in y}\sum _{y\in x}log\frac{p(x,y)}{p(x)p(y)}$$

不过在使用上，minepy非常不好安装，正常安装会提出需要安装c++的编译包，也可以选择使用第三方的minepy工具包，如何选择对应的minepy.whl版本 Python的第三方库minepy安装解决方案

（3）RFE（Recursive feature elimination）

       递归消除特征法使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。用feature_selection库的RFE类来选择特征。递归特征消除（RFE）+ 交叉验证

from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
# 递归特征消除法，返回特征选择后的数据
# 参数estimator为基模型
# 参数n_features_to_select为选择的特征个数
RFE(estimator=LogisticRegression(multi_class='auto',solver='lbfgs',max_iter=500),n_features_to_select=2).fit_transform(iris.data,iris.target)

（4） SelectFromModel

       SelectFromModel主要采用基于模型的特征选择法，常见的有基于惩罚项的特征选择法和基于树模型的特征选择法。

       1.基于惩罚项的特征选择法使用带惩罚项的基模型，除了能筛选出特征，也进行了降维。

使用feature_selection库的SelectFromModel类结合带L1惩罚项的逻辑回归模型来选择特征。

from sklearn.feature_selection import SelectFromModel
from sklearn.linear_model import LogisticRegression
# 将带L1惩罚项的逻辑回归作为基模型的特征选择
SelectFromModel(estimator=LogisticRegression(penalty='l2',C=0.1,solver='lbfgs',multi_class='auto')).fit_transform(iris.data,iris.target)

       2.基于树模型的特征选择法。在树模型中，GBDT（Gradient Boosting Decision Tree，梯度提升迭代决策树）也可用来作为基模型进行特征选择。

from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import GradientBoostingClassifier
SelectFromModel(estimator=GradientBoostingClassifier()).fit_transform(iris.data,iris.target)

3.3.2 特征降维

       线性降维常用的方法有主成分分析法（PCA）和线性判别分析法。

1.主成分分析法（无监督）

       主成分分析法是最常用的线性降维方法，主要原理是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此达到使用较少的数据维度来保留较多的原数据点特性的效果。

from sklearn.decomposition import PCA
# 主成分分析法，返回降维后的数据
# 参数n_components为主成分的数目
PCA(n_components=2).fit_transform(iris.data)

       注意，这里返回的结果是原始的四个特征综合后的两个特征。而且从代码中可以看出PCA并不需要target目标变量，所以其也属于无监督算法的一种。

2.线性判别分析法

       线性判别分析法（Linear Discriminant Analysis，LDA），也叫作Fisher线性判别（Fisher Linear Discriminant，FLD），是一种有监督的线性降维算法。与PCA尽可能多地保留数据信息不同，LDA的目标是使降维后的数据点尽可能容易被区分，其利用了标签的信息。

       假设原始线性数据为X，我们希望找到映射向量$a$，使得$aX$后的数据点能够保持一下两种性质：1.同类的数据点尽可能接近；2.不同类的数据点尽可能分开。

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
# 线性判别分析法，返回降维后的数据
# 参数n_compoents为降维后的特征数
LDA(n_components=2).fit_transform(iris.data,iris.target)

3.4 赛题特征工程

导入蒸汽数据。

import pandas as pd
train_data_file = r"E:\Tianchi-zhengqi\zhengqi_train.txt"
test_data_file = r"E:\Tianchi-zhengqi\zhengqi_test.txt"

train_data = pd.read_csv(train_data_file, sep='\t', encoding='utf-8')
test_data = pd.read_csv(test_data_file, sep='\t', encoding='utf-8')

3.4.1 绘制各个特征的箱线图

import matplotlib.pyplot as plt
plt.figure(figsize=(18,10))
plt.boxplot(x=train_data.values,labels=train_data.columns)
plt.hlines([-7.5,7.5],0,40,colors='r')

       从箱线图可以看出，有些特征存在明显的异常值，如V9变量。下面分别对训练集和测试集中的异常值删除

train_data = train_data[train_data['V9']>-7.5]
test_data = test_data[test_data['V9']>-7.5]
display(train_data[train_data['V9']>-7.5].describe())
display(test_data[test_data['V9']>-7.5].describe())

3.4.2 最大值和最小值的归一化

       对数据进行归一化处理

from sklearn import preprocessing
features_columns = [col for col in train_data.columns if col not in ['target']]
min_max_scaler = preprocessing.MinMaxScaler()
min_max_scaler = min_max_scaler.fit(train_data[features_columns])

train_data_scaler = min_max_scaler.transform(train_data[features_columns])
test_data_scaler = min_max_scaler.transform(test_data[features_columns])

train_data_scaler = pd.DataFrame(train_data_scaler)
train_data_scaler.columns =features_columns

test_data_scaler = pd.DataFrame(test_data_scaler)
test_data_scaler.columns =features_columns
train_data_scaler['target'] = train_data['target']
display(train_data_scaler.describe())
display(test_data_scaler.describe())

3.4.3 查看数据分布

       在前面的数据探索中，我们通过KDE分布对比了特征变量在两个数据集中的分布情况，这里不再重复过程。对比后发现：特征变量V5，V9，V11，V17，V22，V28在训练集和测试集中的分布差异较大，会影响模型的泛化能力，故删除这些特征。

drop_col = 6
drop_row = 1
plt.figure(figsize=(5*drop_col,5*drop_row))

for i,col in enumerate(["V5","V9","V11","V17","V22","V28"]):
    ax =plt.subplot(drop_row,drop_col,i+1)
    ax = sns.kdeplot(train_data[col], color="Red", shade=True)
    ax = sns.kdeplot(test_data[col], color="Blue", shade=True)
    ax.set_xlabel(col)
    ax.set_ylabel("Frequency")
    ax = ax.legend(["train","test"])
plt.show()

3.4.4 特征相关性

plt.figure(figsize=(20,16))
column = train_data_scaler.columns.tolist() #获取训练集的特征列表
mcorr = train_data_scaler[column].rank().corr(method="pearson") #计算训练集特征间的相关系数 https://blog.csdn.net/weixin_44605402/article/details/104164181
mask = np.zeros_like(mcorr,dtype=np.bool)
mask[np.triu_indices_from(mask)] = True
cmap = sns.diverging_palette(220,10,as_cmap=True)
g = sns.heatmap(mcorr,mask=mask,cmap=cmap,square=True,annot=True,fmt='0.2f')

3.4.5 特征降维

mcorr = mcorr.abs()
numerical_corr = mcorr[mcorr['target']>0.1]['target']
print(numerical_corr.sort_values(ascending=False))

       你还可以对相关性系数进行排序显示

index0 = numerical_corr.sort_values(ascending=False).index
print(train_data_scaler[index0].rank().corr('pearson'))

3.4.6 多重共线性分析

       多重共线性分析的原则是特征组之间的相关系系数较大，即特征变量之间的相关系系数较大，故可能存在较大的共线性影响，这会导致模型估计不准确。因此，后续要使用PCA对数据进行处理，去除多重共线性。对数据进行多重共线性计算，代码如下：

from statsmodels.stats.outliers_influence import variance_inflation_factor
# 多重共线性方差膨胀因子
# 多重共线性
# new_numerical的特征变量可以自行根据相关性矩阵看出并过滤筛选
new_numerical=['V0','V2','V3','V4','V5','V6','V10','V11','V13','V15','V16','V18','V19','V20','V22','V24','V30','V31','V37']
X=np.matrix(train_data_scaler[new_numerical])
VIF_list = [variance_inflation_factor(X,i) for i in range(X.shape[1])]
VIF_list

3.4.7 PCA处理

       利用PCA方法去除数据的多重共线性，并进行降维。PCA处理后可保持90%的信息数据

from sklearn.decomposition import PCA
# 保持90%的信息
pca = PCA(n_components=0.9)
new_train_pca_90 = pca.fit_transform(train_data_scaler.iloc[:,0:-1])
new_test_pca_90 = pca.transform(test_data_scaler)
new_train_pca_90 = pd.DataFrame(new_train_pca_90)
new_test_pca_90 = pd.DataFrame(new_test_pca_90)
new_train_pca_90['target'] = train_data_scaler['target']
new_train_pca_90.describe()

       也可以选择保留n个主成分（这里n=16）

pca = PCA(n_components=16)
pca = PCA(n_components=0.9)
new_train_pca_16 = pca.fit_transform(train_data_scaler.iloc[:,0:-1])
new_test_pca_16 = pca.transform(test_data_scaler)
new_train_pca_16 = pd.DataFrame(new_train_pca_16)
new_test_pca_16 = pd.DataFrame(new_test_pca_16)
new_train_pca_16['target'] = train_data_scaler['target']
new_train_pca_16.describe()