前言
【天池】金融风控-贷款违约预测(赛题链接)。
上一篇数据分析时已经对赛题进行了数据探索(EDA,Exploratory Data Analysis),主要熟悉了解整个数据集的基本情况(缺失值,异常值),了解了变量间的相互关系、变量与预测值之间的存在关系。本篇将进行各种特征工程以及分析方法的介绍:
- 特征预处理、缺失值、异常值处理、数据分桶等特征处理方法;
- 特征交互、编码、选择的相应方法。
内容介绍
- 数据预处理:
a. 缺失值的填充
b. 时间格式处理
c. 对象类型特征转换到数值 - 异常值处理:
a. 基于3segama原则
b. 基于箱型图 - 数据分箱
a. 固定宽度分箱
b. 分位数分箱:离散数值型数据分箱、连续数值型数据分箱
c. 卡方分箱 - 特征交互
a. 特征和特征之间组合
b. 特征和特征之间衍生
c. 其他特征衍生的尝试 - 特征编码
a. one-hot编码
b. label-encode编码 - 特征选择
a. Filter
b. Wrapper (RFE)
c. Embedded
代码示例
1. 导入包并读取数据
# 导入相关包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import datetime
from tqdm import tqdm
from sklearn.preprocessing import LabelEncoder
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
from sklearn.preprocessing import MinMaxScaler
import xgboost as xgb
import lightgbm as lgb
from catboost import CatBoostRegressor
import warnings
from sklearn.model_selection import StratifiedKFold, KFold
from sklearn.metrics import accuracy_score, f1_score, roc_auc_score, log_loss
warnings.filterwarnings('ignore')
#读取数据
data_train = pd.read_csv('./data/train.csv')
data_test_a = pd.read_csv('./data/testA.csv')
2. 特征预处理
在上篇数据EDA部分已经对数据的大概和某些特征分布有了了解,数据预处理部分一般要处理一些EDA阶段分析出来的问题,这里介绍数据缺失值的填充,时间格式特征的转化处理,某些对象类别特征的处理。
首先我们查找出数据中的对象特征和数值特征:
numerical_fea = list(data_train.select_dtypes(exclude=['object']).columns)
category_fea = list(filter(lambda x: x not in numerical_fea,list(data_train.columns)))
label = 'isDefault'
numerical_fea.remove(label)
在比赛中数据预处理是必不可少的一部分,对于缺失值的填充往往会影响比赛的结果,在比赛中不妨尝试多种填充然后比较结果选择结果最优的一种;另外比赛数据相比真实场景的数据相对要“干净”一些,但是还是会有一定的“脏”数据存在,清洗一些异常值往往会获得意想不到的效果。
2.1 缺失值填充
a.把所有缺失值替换为指定的值0:data_train = data_train.fillna(0)
b.向用缺失值上面的值替换缺失值:data_train = data_train.fillna(axis=0,method=‘ffill’)
c.纵向用缺失值下面的值替换缺失值,且设置最多只填充两个连续的缺失值:data_train = data_train.fillna(axis=0,method=‘bfill’,limit=2)
#查看缺失值情况
data_train.isnull().sum()
#按照平均数填充数值型特征
data_train[numerical_fea] = data_train[numerical_fea].fillna(data_train[numerical_fea].median())
data_test_a[numerical_fea] = data_test_a[numerical_fea].fillna(data_train[numerical_fea].median())
#按照众数填充类别型特征
data_train[category_fea] = data_train[category_fea].fillna(data_train[category_fea].mode())
data_test_a[category_fea] = data_test_a[category_fea].fillna(data_train[category_fea].mode())
data_train.isnull().sum()
#查看类别特征
category_fea
category_fea:对象型类别特征需要进行预处理,其中[‘issueDate’]为时间格式特征。
2.2 时间格式处理
#转化成时间格式
for data in [data_train, data_test_a]:
data['issueDate'] = pd.to_datetime(data['issueDate'],format='%Y-%m-%d')
startdate = datetime.datetime.strptime('2007-06-01', '%Y-%m-%d')
#构造时间特征
data['issueDateDT'] = data['issueDate'].apply(lambda x: x-startdate).dt.days
2.3 对象类型特征转换到数值
查看对象类型特征“employmentLength”情况:
data_train['employmentLength'].value_counts(dropna=False).sort_index()
将对象类型特征“employmentLength”转为数值型:
def employmentLength_to_int(s):
if pd.isnull(s):
retu