特征工程

1.特征编码

label_encoder编码：将特征值对应到0~最大特征数-1
one_hot编码：将特征值转为one_hot编码
常用的xgboost需要使用one_hot编码输入，lightgbm支持直接输入label_encoder编码

import pandas as pd
from scipy import sparse
from sklearn.preprocessing import OneHotEncoder,LabelEncoder
# fit_transform可以分拆为fit和transform
data[feature] = LabelEncoder().fit_transform(data[feature])

df_one_hot = pd.DataFrame()
enc = OneHotEncoder()
enc.fit(data[feature].values.reshape(-1, 1))
# 生成coo_matrix格式的独热数据
arr = enc.transform(data[feature].values.reshape(-1, 1))
# hstack 按照列进行拼接 vstack 按行进行拼接
data = sparse.hstack((df_one_hot, arr))

label_encoder还可以下面代码转换

for i in cat_fea:
    data[i] =data[i].map(dict(zip(data[i].unique(),(range(data[i].nunique()))))

注意：map的功能很强大，多尝试尝试，通常接受一个字典为参数，也可以接受series

2.统计特征

连续特征

连续特征（一般为两个特征）常用的统计特征有mean、max、min、std、sum，pandas可用方法apply、agg、transform

group_col=[]
stat_col = []
for i in group_col:
   for j in stat_col:
      if i!=j:
         data[i+'_max_'+j] = data.groupby([i])[j].transform('max')
         data[i+'_min_'+j] = data.groupby([i])[j].transform('min')
         data[i+'_std_'+j] = data.groupby([i])[j].transform('std')
         data[i+'_mean_'+j] = data.groupby([i])[j].transform(man')

类别特征

unique特征：指特征x对应的特征y的类别

for i in range(n):
	for j in range(n):
		if i!=n:
			se = data.groupby([col_type[i]])[col_type[j]].value_counts()
			# 值置为1 后面加和即为i对应的j的类别个数
			se = pd.Series(1, index=se.index).sum(level=col_type[i])
			df[col_name] = (data[col_type[i]].map(se)).fillna(value=0).astype(int).values

unique的计算也可以使用transform

from scipy.stats import entropy
for i in group_col:
    for j in sta_col:
       if i!=j:
          data[i+'_nunique'+j] = data.groupby([i])[j].transform('nunique')
          data[i+'_mode'+j] = data.groupby([i])[j].transform(lambda x :x.mode()[0])
          data[i+'_entropy'+j] = data.groupby([i])[j].transform(lambda x: entropy(x.value_counts() / x.shape[0])
for i in group_col:
    data[i+'_count'] = data.groupby([i])[''].transform('count')

上面代码还计算了entropy、mode、count

比赛常用特征工程实现
待续