2021-04-19

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：

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；
𝑙𝑜𝑔( 1+𝑚1+𝑒𝑑𝑥𝑖𝑎𝑛 )
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；
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
1
2
3
4
5
6
7
1
2
3
4
5
6
7
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)
1
2
3
4
1
2
3
4
(150000, 31)
(50000, 30)
1
2
1
2
train.head()
1
1
SaleID name regDate model brand bodyType fuelType gearbox power kilometer … v_5 v_6 v_7 v_8 v_9 v_10 v_11 v_12 v_13 v_14
0 0 736 20040402 30.0 6 1.0 0.0 0.0 60 12.5 … 0.235676 0.101988 0.129549 0.022816 0.097462 -2.881803 2.804097 -2.420821 0.795292 0.914762
1 1 2262 20030301 40.0 1 2.0 0.0 0.0 0 15.0 … 0.264777 0.121004 0.135731 0.026597 0.020582 -4.900482 2.096338 -1.030483 -1.722674 0.245522
2 2 14874 20040403 115.0 15 1.0 0.0 0.0 163 12.5 … 0.251410 0.114912 0.165147 0.062173 0.027075 -4.846749 1.803559 1.565330 -0.832687 -0.229963
3 3 71865 19960908 109.0 10 0.0 0.0 1.0 193 15.0 … 0.274293 0.110300 0.121964 0.033395 0.000000 -4.509599 1.285940 -0.501868 -2.438353 -0.478699
4 4 111080 20120103 110.0 5 1.0 0.0 0.0 68 5.0 … 0.228036 0.073205 0.091880 0.078819 0.121534 -1.896240 0.910783 0.931110 2.834518 1.923482
5 rows × 31 columns

train.columns
1
1
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’)
1
2
3
4
5
6
1
2
3
4
5
6
test.columns
1
1
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’)
1
2
3
4
5
6
1
2
3
4
5
6
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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

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)
1
2
3
1
2
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
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)
1
2
3
4
1
2
3
4

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
1
2
3
4
1
2
3
4

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()
1
2
3
4
1
2
3
4
15072
1
1

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])
1
2
1
2

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’)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
pd.DataFrame(all_info)
1
1
0 1 2 3 4 5 6 7 8 9 … 30 31 32 33 34 35 36 37 38 39
brand_amount 3.142900e+04 1.365600e+04 3.180000e+02 2.461000e+03 1.657500e+04 4.662000e+03 1.019300e+04 2.360000e+03 2.070000e+03 7.299000e+03 … 9.400000e+02 318.000000 5.880000e+02 2.010000e+02 227.000000 180.000000 228.000000 3.310000e+02 65.000000 9.000000
brand_price_max 6.850000e+04 8.400000e+04 5.580000e+04 3.750000e+04 9.999900e+04 3.150000e+04 3.599000e+04 3.890000e+04 9.999900e+04 6.853000e+04 … 2.320000e+04 11000.000000 3.350000e+04 6.500000e+04 2900.000000 28900.000000 20900.000000 8.650000e+04 8999.000000 14500.000000
brand_price_median 3.199000e+03 6.399000e+03 7.500000e+03 4.990000e+03 5.999000e+03 2.300000e+03 1.800000e+03 2.600000e+03 2.270000e+03 1.400000e+03 … 3.295000e+03 1000.000000 2.350000e+03 5.600000e+03 999.000000 950.000000 2250.000000 1.325000e+04 2850.000000 1900.000000
brand_price_min 1.300000e+01 1.500000e+01 3.500000e+01 6.500000e+01 1.200000e+01 2.000000e+01 1.300000e+01 6.000000e+01 3.000000e+01 5.000000e+01 … 5.000000e+01 50.000000 5.000000e+01 9.800000e+02 60.000000 50.000000 150.000000 5.500000e+02 99.000000 750.000000
brand_price_sum 1.737197e+08 1.240446e+08 3.766241e+06 1.595423e+07 1.382791e+08 1.541432e+07 3.645752e+07 9.905909e+06 1.001717e+07 1.780527e+07 … 3.939145e+06 560155.000000 2.360095e+06 1.839801e+06 231776.000000 297977.000000 816001.000000 5.371844e+06 215620.000000 39480.000000
brand_price_std 6.261372e+03 8.988865e+03 1.057622e+04 5.396328e+03 8.089863e+03 3.344690e+03 4.562233e+03 4.752584e+03 6.053233e+03 2.975343e+03 … 3.659577e+03 1829.079211 4.394596e+03 9.637135e+03 554.118445 3325.933365 3922.715389 1.354118e+04 2140.083145 5520.867233
brand_price_average 5.527190e+03 9.082860e+03 1.180640e+04 6.480190e+03 8.342130e+03 3.305670e+03 3.576370e+03 4.195640e+03 4.836880e+03 2.439080e+03 … 4.186130e+03 1755.970000 4.006950e+03 9.107930e+03 1016.560000 1646.280000 3563.320000 1.618025e+04 3266.970000 3948.000000
7 rows × 40 columns

pd.DataFrame(all_info).T.head()
1
1
brand_amount brand_price_max brand_price_median brand_price_min brand_price_sum brand_price_std brand_price_average
0 31429.0 68500.0 3199.0 13.0 173719698.0 6261.371627 5527.19
1 13656.0 84000.0 6399.0 15.0 124044603.0 8988.865406 9082.86
2 318.0 55800.0 7500.0 35.0 3766241.0 10576.224444 11806.40
3 2461.0 37500.0 4990.0 65.0 15954226.0 5396.327503 6480.19
4 16575.0 99999.0 5999.0 12.0 138279069.0 8089.863295 8342.13
brand_fe.head()
1
1
brand brand_amount brand_price_max brand_price_median brand_price_min brand_price_sum brand_price_std brand_price_average
0 0 31429.0 68500.0 3199.0 13.0 173719698.0 6261.371627 5527.19
1 1 13656.0 84000.0 6399.0 15.0 124044603.0 8988.865406 9082.86
2 2 318.0 55800.0 7500.0 35.0 3766241.0 10576.224444 11806.40
3 3 2461.0 37500.0 4990.0 65.0 15954226.0 5396.327503 6480.19
4 4 16575.0 99999.0 5999.0 12.0 138279069.0 8089.863295 8342.13
data.head()
1
1
SaleID name regDate model brand bodyType fuelType gearbox power kilometer … train used_time city brand_amount brand_price_max brand_price_median brand_price_min brand_price_sum brand_price_std brand_price_average
0 0 736 20040402 30.0 6 1.0 0.0 0.0 60 12.5 … 1 4385.0 1 10193.0 35990.0 1800.0 13.0 36457518.0 4562.233331 3576.37
1 1 2262 20030301 40.0 1 2.0 0.0 0.0 0 15.0 … 1 4757.0 4 13656.0 84000.0 6399.0 15.0 124044603.0 8988.865406 9082.86
2 2 14874 20040403 115.0 15 1.0 0.0 0.0 163 12.5 … 1 4382.0 2 1458.0 45000.0 8500.0 100.0 14373814.0 5425.058140 9851.83
3 3 71865 19960908 109.0 10 0.0 0.0 1.0 193 15.0 … 1 7125.0 13994.0 92900.0 5200.0 15.0 113034210.0 8244.695287 8076.76
4 4 111080 20120103 110.0 5 1.0 0.0 0.0 68 5.0 … 1 1531.0 6 4662.0 31500.0 2300.0 20.0 15414322.0 3344.689763 3305.67
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()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14
power_bin power
0 5.0 60
1 NaN 0
2 16.0 163
3 19.0 193
4 6.0 68

原始的列用好了，就可以删掉了

data = data.drop([‘creatDate’, ‘regDate’, ‘regionCode’], axis=1)
1
2
1
2
print(data.shape)
data.columns
1
2
1
2
(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’)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14

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)
1
2
1
2

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()
1
2
3
4
1
2
3
4
<matplotlib.axes._subplots.AxesSubplot at 0x2f2ec46f470>
1
1
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()
1
2
3
1
2
3
<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9187940>
1
1
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()
1
2
3
4
5
6
1
2
3
4
5
6
<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9b510b8>
1
1
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()
1
2
1
2
<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9bd18d0>
1
1
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()
1
2
3
4
1
2
3
4
<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9212048>
1
1
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’])))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

对类别特征进行 OneEncoder

data = pd.get_dummies(data, columns=[‘model’, ‘brand’, ‘bodyType’, ‘fuelType’,
‘gearbox’, ‘notRepairedDamage’, ‘power_bin’])
1
2
3
1
2
3
print(data.shape)
data.columns
1
2
1
2
(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)
1
2
3
4
5
6
7
8
9
10
11
12
13
1
2
3
4
5
6
7
8
9
10
11
12
13

这份数据可以给 LR 用

data.to_csv(‘data_for_lr.csv’, index=0)
1
2
1
2
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’))
1
2
3
4
5
6
7
1
2
3
4
5
6
7
0.5728285196051496
-0.4082569701616764
0.058156610025581514
0.3834909576057687
0.259066833880992
0.38691042393409447
1
2
3
4
5
6
1
2
3
4
5
6

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)
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
<matplotlib.axes._subplots.AxesSubplot at 0x2f2e9c3b400>
1
1
在这里插入图片描述

包裹式
!pip install mlxtend
1
1
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
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_
1
2
3
4
5
6
7
8
9
10
11
12
13
1
2
3
4
5
6
7
8
9
10
11
12
13
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。