1.概念和目的
特征工程用于对数据进行预处理,以得到适合作为某一模型输入的特征序列。特征工程和模型相关,不同的模型需要进行不同的特征工程。例如,针对缺失值,如果采用决策树模型则可以不进行处理,因为决策树模型本身具有对缺失值进行处理的机制。
特征工程包括一下内容:
下面以决策树模型为例,进行特征工程的处理
2.特征构造
人工地对单个或者多个原始特征进行处理,构造出具有可解释性的新的特征。
2.1 构造时间特征
#训练集和测试集放在一起,方便构造特征
Train_data['train']=1
Test_data['train']=0
data = pd.concat([Train_data, Test_data], ignore_index=True)
# 使用时间:data['creatDate'] - data['regDate'],反应汽车使用时间,一般来说价格与使用时间成反比
# 不过要注意,数据里有时间出错的格式,所以我们需要 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,我们可以选择删除,也可以选择放着。
# 但是这里不建议删除,因为删除缺失数据占总样本量过大,7.5%
# 我们可以先放着,因为如果我们 XGBoost 之类的决策树,其本身就能处理缺失值,所以可以不用管;
data['used_time'].isnull().sum()
2.2 构造地理信息
利用邮编信息(邮编的首位数字)构造城市特征
# 从邮编中提取城市信息,相当于加入了先验知识
data['city'] = data['regionCode'].apply(lambda x : str(x)[:-3])
data = data
2.3 构造特征统计量
根据某一特征值对数据进行聚类,计算各个聚类下的预测值的统计量(频数、最大值、中位数、最小值、平均值、和、方差等)
# 计算某品牌的销售统计量,同学们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_data.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"})
data = data.merge(brand_fe, how='left', on='brand')
2.4 删除冗余特征
删除用于特征构造的原始特征,以防止特征冗余
data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1)
3.异常处理
异常处理类似于去除数据离群点,这里利用箱型图进行异常处理。
# 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])[rule[0]]
outliers = data_series.iloc[index_low]
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]]
outliers = data_series.iloc[index_up]
print("Description of data larger than the upper bound is:")
print(pd.Series(outliers).describe())
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
#对power进行异常值处理
Train_data = outliers_proc(Train_data, 'power', scale=3)
4.缺失值处理
针对决策树模型,不需要缺失值处理,决策树模型本身具有缺失值处理机制
5.数据分桶
由于使用决策数模型,所以需要对数据进行离散化,即分桶操作。这里利用区间划分的方法将同一区间内的数据划分为同一类。进行数据分桶的原因包括:
- 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;
- 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;
- 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;
- 离散后特征可以进行特征交叉,提升表达能力,由 M+N 个变量编程 M*N 个变量,进一步引入非线形,提升了表达能力;
- 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
#以power为例进行数据分桶
bin = [i*10 for i in range(31)]
data['power_bin'] = pd.cut(data['power'], bin, labels=False)
data[['power_bin', 'power']].head()
6.特征归一化、标准化
step1. 标准化
转换为标准正态分布
#以power为例,通过取log进行标准化
data['power'] = np.log(data['power'] + 1)
step2. 归一化
转换到[0,1]区间
#以power为例,通过(x-min)/(max-min)进行归一化
data['power'] = ((data['power'] - np.min(data['power'])) / (np.max(data['power']) - np.min(data['power'])))
7.特征筛选
这里采用嵌入式特征筛选,即通过在损失函数中加入惩罚项,使影响较小的特征的系数衰减到0,只保留重要的特征。嵌入式特征筛选的方法主要有:LASSO(L1正则化)和岭回归(L2正则化)
8.特征保存
保存为csv格式便于输入到模型中
data.to_csv('data_for_tree.csv', index=0)