本文详细介绍了特征工程中的预处理步骤，包括归一化和标准化，阐述了它们的作用和区别，并提供了Python代码示例。此外，还讲解了特征降维的重要性，如低方差特征过滤、皮尔逊相关系数以及主成分分析（PCA）。PCA通过保留大部分信息来降低数据维度，适合大数据场景。文章以instacart数据为例展示了PCA在用户喜好分析中的应用。
特征预处理
特征预处理介绍
解释：通过一些转换函数，将特征数据转换成更适合算法模型的特征数据的过程
- 数值数据的无量纲化
- 归一化
- 标准化
- 为什么要无量纲化：
特征的单位或者大小相差较大，或者某特征的方法相比其他的特征要大出几个数量级，容易影响（支配）目标结果，使得一些算法无法学习到其它的特征
- 特征预处理API
sklearn.preprocessing
归一化
定义：通过对原始数据进行变换，把数据映射到某一区间（默认为[0,1])
- 公式
作用于每一列，max为一列的最大值，min为一列的最小值，X''为最终结果，mx，mi 分别为指定区间值，默认mx为1 ，mi为0 - API
- sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)…)
- MinMaxScaler.fit_transform(X）
X：numpy array格式的数据[n_samples,n_features]
返回值：转换后的形式相同的array
- 数据计算实例
对以下数据进行运算，在dating.txt中保存的是“约会对象的数据”
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
def minmax_demo():
"""
归一化
:return:
"""
# 1、获取数据
data = pd.read_csv("dating.txt")
data = data.iloc[:, :3] #只需处理前三列，不需要对目标值进行处理
print("data:\n", data)
# 2、实例化一个转换器类
transform = MinMaxScaler()
#transform = MinMaxScaler(feature_range=[2,3]) #转化到[2,3]范围内
# 3、调用fit_transform进行转化
data_new = transform.fit_transform(data)
print("data_new:\n", data_new)
return None
if __name__ == "__main__":
minmax_demo()
- 归一化总结
注意最大最小值是变化的，并且，最大最小值容易受到异常点的影响，所以这种方法的鲁棒性较差，只适合于传统精确小数据场景。
标准化
定义：通过对原始数据进行变换，把数据变换到均值为0，标准差为1
- 公式
- 归一化和标准化的对比
- 归一化：如果出现异常点，影响了最大最小值，结果显然会发生变化。
- 标准化：少量异常点对平均值的影响并不大，从而方差改变较小。
- API
- sklearn.perprocessing.StandradScaler()
处理之后，对每列来说，所有数据都聚集在均值为0附近，标准差为1 - StandardScaler.fit_transform(X）
X;numpy array格式的数据，[n_samples,n_features]
返回值：转化后的形状相同的array
4.数据计算实例
依旧是对在dating.txt中保存的是“约会对象的数据”进行运算
import pandas as pd
from sklearn.preprocessing import MinMaxScaler, StandardScaler
def stand_demo():
"""
标准化
:return:
"""
# 1、获取数据
data = pd.read_csv("dating.txt")
data = data.iloc[:, :3]
print("data:\n", data)
# 2、实例化一个转换器类
transform = StandardScaler()
#transform = StandardScaler(feature_range=[2,3])
# 3、调用fit_transform
data_new = transform.fit_transform(data)
print("data_new:\n", data_new)
return None
if __name__ == "__main__":
stand_demo()
- 适用场景
在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据场景。
特征降维
降维是指在某些限定条件下，降低随机变量（特征）个数，得到一组不相关主变量的过程
在训练模型时我们都是用特征进行学习的，如果特征本身 存在问题或者特征之间相关性较强，对算法的学习预测影响较大
- 降维的两种方式
- 特征选择
- 主成分分析
特征选择
定义：数据中包含冗余或相关变量（或称特征、属性、指标等），特征选择旨在从原有特征中找出主要特征
- 方法
- Filter过滤式：主要探究特征本身特点、特征与特征和目标值之间关联
1）方差选择法：低方差特征过滤
2）相关系数 - Embedded嵌入式：算法自动选择特征（特征与目标值之间的关联）
1）决策树：信息熵、信息增益
2）正则化：L1，L2
3）深度学习：卷积等
- 模块
sklearn.feature_selection
过滤式
低方差特征过滤
- 特征方差小：某个特征大多样本的值比较相近
- 特征方差大：某个特征很多样本的值都有差别
- API
- sklearn.feature_selection.VArianceThreshold(threshold=0.0)
可以设置阈值，默认为0.0 - Variance.fit_transform(X)
X：numpy array格式的数据[m_sample,n_features]
返回值：训练集差异低于threadshold的特征将被删除
默认值是保留非零方差特征，即删除所有样本中具有相同值的特征
- 计算实例
对某些股票的指标特征进行筛选，数据文件为 factor_returns.csv
from sklearn.feature_selection import VarianceThreshold
def variance_demo():
"""
过滤低方差特征
:return:
"""
# 1、获取数据
data = pd.read_csv('factor_returns.csv')
data = data.iloc[:,1:-2] # 选取需要进行筛选的特征
print('data:\n', data)
# 2、实例化一个转换器类
#transform = VarianceThreshold()
transform = VarianceThreshold(threshold=10)
# 3、调用fit_transform
data_new = transform.fit_transform(data)
print("data_new\n", data_new, data_new.shape)
return None
if __name__ == "__main__":
variance_demo()
皮尔逊相关系数
反映变量之间相关关系密切程度的统计指标
公式：
- 特点
- 相关系数的值介于-1与+1之间
- 当r>0时，表示两变量正相关；r<0时，两变量为负相关
- 当|r|=1时，表示两变量为完全相关；当r=0时，表示两变量间无相关关系
- 当0<|r|<1时，表示两变量存在一定程度的相关。且|r|越接近1，两变量间线性关系越密切；|r|越接近0，表示两变量的线性相关越弱
- 一般可按三级划分：|r|<0.4为低度相关；0.4<=|r|<0.7为显著相关；0.7<=|r|<1为高维线性相关
- API
- from scipy.stats import pearsonr
x：（N.）array_like
y：（N.）array_like Returns:(Perason’s correlation coefficient, p-value)
- 计算实例
from sklearn.feature_selection import VarianceThreshold
from scipy.stats import pearsonr
def variance_demo():
"""
低方差特征过滤
:return:
"""
# 1、获取数据
data = pd.read_csv('factor_returns.csv')
print('data:\n', data)
data = data.iloc[:,1:-2]
print('data:\n', data)
# 2、实例化一个转换器类
#transform = VarianceThreshold()
transform = VarianceThreshold(threshold=10)
# 3、调用fit_transform
data_new = transform.fit_transform(data)
print("data_new\n", data_new, data_new.shape)
# 计算两个变量之间的相关系数
r = pearsonr(data["pe_ratio"],data["pb_ratio"])
print("相关系数：\n", r)
return None
if __name__ == "__main__":
variance_demo()
如果特征与特征相关性很高，可采取以下方法：
- 选取其中一个
- 加权求和
- 主成分分析
主成分分析（PCA）
主成分分析介绍
- 定义：高维数据转换为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量
- 作用：是数据维数的压缩，尽可能降低原数据的维数（复杂度），损失少量信息
- 应用：回归分析或者聚类分析中
API
- sklearn.decomposition.PCA(n_components=None)
将数据分解为较低维度空间 - n_components:
小数：表示保留百分之多少的信息
整数：减少到多少特征 - PCA.fit_transform(X）
X：numpy array格式的数据[N_samples, n_features]
返回值：转换后指定维度的array
数据计算
from sklearn.decomposition import PCA
def pca_demo():
"""
PCA降维
:return:
"""
data = [[2,8,4,5], [6,3,0,8], [5,4,9,1]]
# 1、实例化一个转换器类
transform = PCA(n_components=2) # 4个特征降到2个特征
# 2、调用fit_transform
data_new = transform.fit_transform(data)
print("data_new\n", data_new)
transform2 = PCA(n_components=0.95) # 保留95%的信息
data_new2 = transform2.fit_transform(data)
print("data_new2\n", data_new2)
return None
if __name__ == "__main__":
pca_demo()
data_new
[[ 1.28620952e-15 3.82970843e+00]
[ 5.74456265e+00 -1.91485422e+00]
[-5.74456265e+00 -1.91485422e+00]]
data_new2
[[ 1.28620952e-15 3.82970843e+00]
[ 5.74456265e+00 -1.91485422e+00]
[-5.74456265e+00 -1.91485422e+00]]
instacart 降维案例
探究用户对物品类别的喜好细分降维
- 数据如下：
- order_prodects_prior.csv：订单与商品信息
字段：order_id, product_id, add_to_cart_order, reordered - products.csv：商品信息
字段：product_id, product_name, aisle_id, department_id - order.csv：用户的订单信息
字段：order_id, user_id, eval_set, order_number, … - aisles.csv：商品所属具体物品类别
字段：aisle_id, aisle
- 分析：
探究用户对物品类别的喜好，则要找到用户（user_id )和物品类别（aisle）之间的关系，而这两者分属于不同的表，所以要先把用户（user_id )和物品类别（aisle）放在同一张表中。
# 1、获取数据
# 2、合并表，使得suer_id和aisle数据在同一个表中
# 3、找到suer_id和aisle之间的关系：交叉表，透视表
# 4、PAC降维
import pandas as pd
# 1、获取数据
order_products = pd.read_csv('./instacart/order_products__prior.csv')
products = pd.read_csv('./instacart/products.csv')
orders = pd.read_csv('./instacart/orders.csv')
aisles = pd.read_csv('./instacart/aisles.csv')
# 2、合并表'
# 合并aisles和products
tab1 = pd.merge(aisles, products, on=["aisle_id", "aisle_id"])
tab2 = pd.merge(tab1, order_products, on=["product_id", "product_id"])
tab3 = pd.merge(tab2, orders, on=["order_id", "order_id"])
# 3、找到suer_id和aisle之间的关系
table = pd.crosstab(tab3["user_id"], tab3["aisle"])
data = table[:10000] #保存前10000条数据（数据太大，运行慢）
# 4、PAC降维，去除冗余数据（大量的0）
from sklearn.decomposition import PCA
# 1)实例化一个转换器类
transfer = PCA(n_components=0.95) # 保留95%的信息
# 2）调用fit_transform
data_new = transfer.fit_transform(data) #(10000, 42)，由134个特征降维到42个
总结
扫一扫
674
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
