用Python实现特征工程之特征变换——数值特征的归一化和标准化、类别特征的编码、特征组合和分解、特征缩放

写代码的M教授

于 2024-08-09 21:07:56 发布

阅读量894

点赞数 13

分类专栏：特征工程文章标签： python 机器学习算法

本文链接：https://blog.csdn.net/qq_41698317/article/details/141070994

版权

特征工程专栏收录该内容

9 篇文章 0 订阅

订阅专栏

特征工程中的特征变换是一个重要的步骤，旨在通过转换原始特征来提高模型的性能。特征变换主要包括数值特征的归一化和标准化、类别特征的编码、特征组合和分解、以及特征缩放等。下面将详细讲解这些内容，并提供相应的Python代码示例。

1. 数值特征的归一化和标准化

归一化（Normalization）

归一化是将特征的值缩放到一个固定的范围（通常是 [0, 1]）内。归一化常用于在特征值范围差异较大的情况下，减小这种差异对模型的影响。

归一化的公式通常为：

$X_{norm}=\frac{X-X_{min}}{X_{max}-X{_{min}}}$

标准化（Standardization）

标准化是将特征的值转换为均值为0、标准差为1的正态分布。标准化在数据具有不同的度量单位或不同的范围时非常有用。

标准化的公式为：

$X_{std}=\frac{X-\mu }{\sigma }$

示例代码：

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 生成示例数据
data = {'feature1': np.random.rand(100) * 10, 'feature2': np.random.rand(100) * 100}
df = pd.DataFrame(data)

# 归一化
scaler = MinMaxScaler()
df[['feature1_norm', 'feature2_norm']] = scaler.fit_transform(df[['feature1', 'feature2']])

# 标准化
scaler = StandardScaler()
df[['feature1_std', 'feature2_std']] = scaler.fit_transform(df[['feature1', 'feature2']])

print(df.head())

运行结果示例：

   feature1   feature2  feature1_norm  feature2_norm  feature1_std  feature2_std
0  5.371278  50.936181       0.537127       0.509362     0.177720     0.066669
1  1.122034  89.489587       0.112203       0.894896    -1.264731     1.370891
2  7.991217  16.046858       0.799122       0.160469     1.139588    -1.162611
3  4.543309  18.512042       0.454331       0.185120    -0.044308    -1.063248
4  6.940704   8.839065       0.694070       0.088391     0.718581    -1.480131

2. 类别特征的编码

类别特征编码是将离散的类别变量转换为数值变量，使其可以被模型理解。常见的类别编码方法包括独热编码、标签编码、频率编码和目标编码。

独热编码（One-Hot Encoding）

独热编码将每个类别转换为一个独立的二进制特征。每个特征只包含0或1，表示某个类别是否存在。

标签编码（Label Encoding）

标签编码将每个类别映射到一个唯一的整数。适用于具有顺序关系的类别变量。

示例代码：

from sklearn.preprocessing import OneHotEncoder, LabelEncoder

# 生成示例数据
df = pd.DataFrame({'category': ['A', 'B', 'C', 'A', 'B', 'C']})

# 独热编码
onehot_encoder = OneHotEncoder(sparse=False)
onehot_encoded = onehot_encoder.fit_transform(df[['category']])
onehot_df = pd.DataFrame(onehot_encoded, columns=onehot_encoder.get_feature_names_out(['category']))

# 标签编码
label_encoder = LabelEncoder()
df['category_encoded'] = label_encoder.fit_transform(df['category'])

print(df.head())
print(onehot_df.head())

运行结果示例：

  category  category_encoded
0        A                 0
1        B                 1
2        C                 2
3        A                 0
4        B                 1

   category_A  category_B  category_C
0         1.0         0.0         0.0
1         0.0         1.0         0.0
2         0.0         0.0         1.0
3         1.0         0.0         0.0
4         0.0         1.0         0.0

3. 特征组合和分解

特征组合和分解是通过组合现有特征或分解特征来创建新的特征，从而增加模型的表达能力。

特征组合

特征组合通过交互或多项式特征生成新的特征。例如，将两个数值特征相乘或取它们的平方。

特征分解

特征分解通过将一个复杂的特征分解成多个简单的特征。例如，将一个日期特征分解为年、月、日。

示例代码：

from sklearn.preprocessing import PolynomialFeatures

# 生成示例数据
df = pd.DataFrame({'feature1': [1, 2, 3, 4, 5], 'feature2': [10, 20, 30, 40, 50]})

# 特征组合（多项式特征）
poly = PolynomialFeatures(degree=2, include_bias=False)
poly_features = poly.fit_transform(df)
poly_df = pd.DataFrame(poly_features, columns=poly.get_feature_names_out(['feature1', 'feature2']))

# 特征分解（日期分解）
df['date'] = pd.to_datetime(['2022-01-01', '2022-02-01', '2022-03-01', '2022-04-01', '2022-05-01'])
df['year'] = df['date'].dt.year
df['month'] = df['date'].dt.month
df['day'] = df['date'].dt.day

print(df.head())
print(poly_df.head())

运行结果示例：

   feature1  feature2  year  month  day
0         1        10  2022      1    1
1         2        20  2022      2    1
2         3        30  2022      3    1
3         4        40  2022      4    1
4         5        50  2022      5    1

   feature1  feature2  feature1^2  feature1 feature2  feature2^2
0         1        10           1           10         100
1         2        20           4           40         400
2         3        30           9           90         900
3         4        40          16          160        1600
4         5        50          25          250        2500

4. 特征缩放

特征缩放是指将特征数据进行比例调整，以便它们位于一个更合理的范围内，通常在应用梯度下降类算法时尤为重要。

常见方法：

最小-最大缩放（Min-Max Scaling）：将数据缩放到指定范围内，通常是[0, 1]。
Z-Score缩放：将数据缩放为均值为0，标准差为1的分布。

示例代码：

from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 生成示例数据
data = {'feature1': [1, 2, 3, 4, 5], 'feature2': [10, 20, 30, 40, 50]}
df = pd.DataFrame(data)

# 最小-最大缩放
scaler = MinMaxScaler()
df[['feature1_minmax', 'feature2_minmax']] = scaler.fit_transform(df[['feature1', 'feature2']])

# Z-Score缩放
scaler = StandardScaler()
df[['feature1_zscore', 'feature2_zscore']] = scaler.fit_transform(df[['feature1', 'feature2']])

print(df.head())

运行结果示例：

   feature1  feature2  feature1_minmax  feature2_minmax  feature1_zscore  feature2_zscore
0         1        10              0.0              0.0        -1.414214        -1.414214
1         2        20              0.25             0.25        -0.707107        -0.707107
2         3        30              0.5              0.5          0.000000         0.000000
3          4        40              0.75             0.75         0.707107         0.707107
4          5        50              1.0              1.0          1.414214         1.414214