Datawhale 零基础入门数据挖掘-Task3 特征工程¶
三、 特征工程目标
Tip:此部分为零基础入门数据挖掘的 Task3 特征工程 部分,带你来了解各种特征工程以及分析方法,欢迎大家后续多多交流。
赛题:零基础入门数据挖掘 - 二手车交易价格预测
3.1 特征工程目标
对于特征进行进一步分析,并对于数据进行处理
完成对于特征工程的分析,并对于数据进行一些图表或者文字总结并打卡。
3.2 内容介绍
常见的特征工程包括:
- 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: log(1+x1+median)log(1+x1+median)
- 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;
- 仁者见仁,智者见智。
- 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。
3.3 代码示例
3.3.0 导入数据
1
import pandas as pd
2
import numpy as np
3
import matplotlib
4
import matplotlib.pyplot as plt
5
import seaborn as sns
6
from operator import itemgetter
7
8
%matplotlib inline
1
path = './datalab/231784/'
2
Train_data = pd.read_csv(path+'used_car_train_20200313.csv', sep=' ')
3
Test_data = pd.read_csv(path+'used_car_testA_20200313.csv', sep=' ')
4
print(Train_data.shape)
5
print(Test_data.shape)
(150000, 31) (50000, 30)
1
Train_data.head()
[33]:
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
1
Train_data.columns
[34]:
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
Test_data.columns
[35]:
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')
3.3.1 删除异常值
1
# 这里我包装了一个异常值处理的代码,可以随便调用。
2
def outliers_proc(data, col_name, scale=3):
3
"""
4
用于清洗异常值,默认用 box_plot(scale=3)进行清洗
5
:param data: 接收 pandas 数据格式
6
:param col_name: pandas 列名
7
:param scale: 尺度
8
:return:
9
"""
10
11
def box_plot_outliers(data_ser, box_scale):
12
"""
13
利用箱线图去除异常值
14
:param data_ser: 接收 pandas.Series 数据格式
15
:param box_scale: 箱线图尺度,
16
:return:
17
"""
18
iqr = box_scale * (data_ser.quantile(0.75) - data_ser.quantile(0.25))
19
val_low = data_ser.quantile(0.25) - iqr
20
val_up = data_ser.quantile(0.75) + iqr
21
rule_low = (data_ser < val_low)
22
rule_up = (data_ser > val_up)
23
return (rule_low, rule_up), (val_low, val_up)
24
25
data_n = data.copy()
26
data_series = data_n[col_name]
27
rule, value = box_plot_outliers(data_series, box_scale=scale)
28
index = np.arange(data_series.shape[0])[rule[0] | rule[1]]
29
print("Delete number is: {}".format(len(index)))
30
data_n = data_n.drop(index)
31
data_n.reset_index(drop=True, inplace=True)
32
print("Now column number is: {}".format(data_n.shape[0]))
33
index_low = np.arange(data_series.shape[0])[rule[0]]
34
outliers = data_series.iloc[index_low]
35
print("Description of data less than the lower bound is:")
36
print(pd.Series(outliers).describe())
37
index_up = np.arange(data_series.shape[0])[rule[1]]
38
outliers = data_series.iloc[index_up]
39
print("Description of data larger than the upper bound is:")
40
print(pd.Series(outliers).describe())
41
42
fig, ax = plt.subplots(1, 2, figsize=(10, 7))
43
sns.boxplot(y=data[col_name], data=data, palette="Set1", ax=ax[0])
44
sns.boxplot(y=data_n[col_name], data=data_n, palette="Set1", ax=ax[1])
45
return data_n
1
# 我们可以删掉一些异常数据,以 power 为例。
2
# 这里删不删同学可以自行判断
3
# 但是要注意 test 的数据不能删 = = 不能掩耳盗铃是不是
4
5
Train_data = outliers_proc(Train_data, 'power', scale=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
3.3.2 特征构造
1
# 训练集和测试集放在一起,方便构造特征
2
Train_data['train']=1
3
Test_data['train']=0
4
data = pd.concat([Train_data, Test_data], ignore_index=True)
1
# 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
2
# 不过要注意,数据里有时间出错的格式,所以我们需要 errors='coerce'
3
data['used_time'] = (pd.to_datetime(data['creatDate'], format='%Y%m%d', errors='coerce') -
4
pd.to_datetime(data['regDate'], format='%Y%m%d', errors='coerce')).dt.days
1
# 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。
2
# 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%
3
# 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;
4
data['used_time'].isnull().sum()
[40]:
15072
1
# 从邮编中提取城市信息,相当于加入了先验知识
2
data['city'] = data['regionCode'].apply(lambda x : str(x)[:-3])
3
data = data
1
# 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
2
# 这里要以 train 的数据计算统计量
3
Train_gb = Train_data.groupby("brand")
4
all_info = {}
5
for kind, kind_data in Train_gb:
6
info = {}
7
kind_data = kind_data[kind_data['price'] > 0]
8
info['brand_amount'] = len(kind_data)
9
info['brand_price_max'] = kind_data.price.max()
10
info['brand_price_median'] = kind_data.price.median()
11
info['brand_price_min'] = kind_data.price.min()
12
info['brand_price_sum'] = kind_data.price.sum()
13
info['brand_price_std'] = kind_data.price.std()
14
info['brand_price_average'] = round(kind_data.price.sum() / (len(kind_data) + 1), 2)
15
all_info[kind] = info
16
brand_fe = pd.DataFrame(all_info).T.reset_index().rename(columns={"index": "brand"})
17
data = data.merge(brand_fe, how='left', on='brand')
1
# 数据分桶 以 power 为例
2
# 这时候我们的缺失值也进桶了,
3
# 为什么要做数据分桶呢,原因有很多,= =
4
# 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;
5
# 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;
6
# 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;
7
# 4. 离散后特征可以进行特征交叉,提升表达能力,由 M+N 个变量编程 M*N 个变量,进一步引入非线形,提升了表达能力;
8
# 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
9
10
# 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
11
12
bin = [i*10 for i in range(31)]
13
data['power_bin'] = pd.cut(data['power'], bin, labels=False)
14
data[['power_bin', 'power']].head()
[43]:
power_bin | power | |
---|---|---|
0 | 5.0 | 60 |
1 | NaN | 0 |
2 | 16.0 | 163 |
3 | 19.0 | 193 |
4 | 6.0 | 68 |
1
# 删除不需要的数据
2
data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1)
1
print(data.shape)
2
data.columns
(199037, 39)
[45]:
Index(['SaleID', 'bodyType', 'brand', 'fuelType', 'gearbox', 'kilometer', 'model', 'name', 'notRepairedDamage', 'offerType', 'power', 'price', 'seller', 'train', 'v_0', 'v_1', 'v_10', 'v_11', 'v_12', 'v_13', 'v_14', 'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'used_time', 'city', 'brand_amount', 'brand_price_average', 'brand_price_max', 'brand_price_median', 'brand_price_min', 'brand_price_std', 'brand_price_sum', 'power_bin'], dtype='object')
1
# 目前的数据其实已经可以给树模型使用了,所以我们导出一下
2
data.to_csv('data_for_tree.csv', index=0)
1
# 我们可以再构造一份特征给 LR NN 之类的模型用
2
# 之所以分开构造是因为,不同模型对数据集的要求不同
3
# 我们看下数据分布:
4
data['power'].plot.hist()
[47]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe026cf0c18>
1
# 我们刚刚已经对 train 进行异常值处理了,但是现在还有这么奇怪的分布是因为 test 中的 power 异常值,
2
# 所以我们其实刚刚 train 中的 power 异常值不删为好,可以用长尾分布截断来代替
3
Train_data['power'].plot.hist()
[48]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe02d7a8eb8>
1
# 我们对其取 log,在做归一化
2
from sklearn import preprocessing
3
min_max_scaler = preprocessing.MinMaxScaler()
4
data['power'] = np.log(data['power'] + 1)
5
data['power'] = ((data['power'] - np.min(data['power'])) / (np.max(data['power']) - np.min(data['power'])))
6
data['power'].plot.hist()
[49]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe026c342b0>
1
# km 的比较正常,应该是已经做过分桶了
2
data['kilometer'].plot.hist()
[50]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe029ad2080>
1
# 所以我们可以直接做归一化
2
data['kilometer'] = ((data['kilometer'] - np.min(data['kilometer'])) /
3
(np.max(data['kilometer']) - np.min(data['kilometer'])))
4
data['kilometer'].plot.hist()
[51]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe029b1d668>
1
# 除此之外 还有我们刚刚构造的统计量特征:
2
# 'brand_amount', 'brand_price_average', 'brand_price_max',
3
# 'brand_price_median', 'brand_price_min', 'brand_price_std',
4
# 'brand_price_sum'
5
# 这里不再一一举例分析了,直接做变换,
6
def max_min(x):
7
return (x - np.min(x)) / (np.max(x) - np.min(x))
8
9
data['brand_amount'] = ((data['brand_amount'] - np.min(data['brand_amount'])) /
10
(np.max(data['brand_amount']) - np.min(data['brand_amount'])))
11
data['brand_price_average'] = ((data['brand_price_average'] - np.min(data['brand_price_average'])) /
12
(np.max(data['brand_price_average']) - np.min(data['brand_price_average'])))
13
data['brand_price_max'] = ((data['brand_price_max'] - np.min(data['brand_price_max'])) /
14
(np.max(data['brand_price_max']) - np.min(data['brand_price_max'])))
15
data['brand_price_median'] = ((data['brand_price_median'] - np.min(data['brand_price_median'])) /
16
(np.max(data['brand_price_median']) - np.min(data['brand_price_median'])))
17
data['brand_price_min'] = ((data['brand_price_min'] - np.min(data['brand_price_min'])) /
18
(np.max(data['brand_price_min']) - np.min(data['brand_price_min'])))
19
data['brand_price_std'] = ((data['brand_price_std'] - np.min(data['brand_price_std'])) /
20
(np.max(data['brand_price_std']) - np.min(data['brand_price_std'])))
21
data['brand_price_sum'] = ((data['brand_price_sum'] - np.min(data['brand_price_sum'])) /
22
(np.max(data['brand_price_sum']) - np.min(data['brand_price_sum'])))
1
# 对类别特征进行 OneEncoder
2
data = pd.get_dummies(data, columns=['model', 'brand', 'bodyType', 'fuelType',
3
'gearbox', 'notRepairedDamage', 'power_bin'])
1
print(data.shape)
2
data.columns
(199037, 370)
[54]:
Index(['SaleID', 'kilometer', 'name', 'offerType', 'power', 'price', 'seller', 'train', 'v_0', 'v_1', ... '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
# 这份数据可以给 LR 用
2
data.to_csv('data_for_lr.csv', index=0)
3.3.3 特征筛选
1) 过滤式
1
# 相关性分析
2
print(data['power'].corr(data['price'], method='spearman'))
3
print(data['kilometer'].corr(data['price'], method='spearman'))
4
print(data['brand_amount'].corr(data['price'], method='spearman'))
5
print(data['brand_price_average'].corr(data['price'], method='spearman'))
6
print(data['brand_price_max'].corr(data['price'], method='spearman'))
7
print(data['brand_price_median'].corr(data['price'], method='spearman'))
0.572828519605 -0.408256970162 0.0581566100256 0.383490957606 0.259066833881 0.386910423934
1
# 当然也可以直接看图
2
data_numeric = data[['power', 'kilometer', 'brand_amount', 'brand_price_average',
3
'brand_price_max', 'brand_price_median']]
4
correlation = data_numeric.corr()
5
6
f , ax = plt.subplots(figsize = (7, 7))
7
plt.title('Correlation of Numeric Features with Price',y=1,size=16)
8
sns.heatmap(correlation,square = True, vmax=0.8)
[57]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fe0283a6dd8>