天池贷款违约预测——Task3 特征工程

1.特征工程目的
特征工程是数据分析中最耗时间和精力的一部分工作。数据和特征决定了机器学习的上限，而模型和算法则是逼近这个上限。因此，特征工程就变得尤为重要了。特征工程的主要工作就是对特征的处理，包括数据预处理，特征选择，甚至降维技术等跟特征有关的工作。

2. 主要内容
   2.1 数据预处理
   缺失值的填充（掌握数据类型，数据类型转换，填充方法等）
   异常值的处理（3segama原则、箱型图、小提琴图等）
   数据分箱（固定宽度分箱，分位数分箱，卡方分享等）
   缺失值填充
   指定值填充（-1，999，0等）
   向上或向下填充
   用众数填充或者中位数等统计量进行填充
   2.2 类别特征编码
   哑变量编码——pd.get_dummies()函数
   labelEncode——LabelEncoder()函数
   onehot编码——OneHotEncoder()函数
   等等
   2.3 特征选择
   filter
   wrapper
   embedded