特征工程
跟着直播课走一遍练习了,最近事情可太多了T_T
首先利用箱线图来清洗异常值。代码如下所示:
def outliers_proc(data,col_name,scale=3):
# 用于清洗异常值,默认用box_plot(scale=3)进行清洗
# param data:接收pandas数据格式
# param col_name:pandas列名
# param scale:尺度
def box_plot_outliers(data_ser,box_scale):
# 利用箱线图去除异常值
# param data_ser:接收pandas.Series数据格式
# param box_scale:箱线图尺度
iqr = box_scale * (data_ser.quantile(0.75)-data_ser.quantile(0.25))
val_low = data_ser.quantile(0.25) - iqr
val_up = data_ser.quantile(0.75) + iqr
rule_low = (data_ser<val_low)
rule_up = (data_ser>val_up)
return (rule_low,rule_up),(val_low,val_up)
data_n = data.copy()
data_series = data_n[col_name]
rule, value = box_plot_outliers(data_series,box_scale=scale)
index = np.arange(data_series.shape[0])[rule[0]|rule[1]]
print("Delete number is:{}".format(len(index)))
data_n = data_n.drop(index)
data_n.reset_index(drop=True,inplace=True)
print("Now column number is:{}".format(data_n.shape[0]))
index_low = np.arange(data_series.shape[0])[rule[0]]
outliers = data_series.iloc[index_low]
print("Description of data less than the lower bound is:")
print(pd.Series(outliers).describe())
index_up = np.arange(data_series.shape[0])[rule[1]]
outliers = data_series.iloc[index_up]
print("Description of data larger than the upper bound is:")
print(pd.Series(outliers).describe())
fig, ax = plt.subplots(1,2,figsize=(10,7))
sns.boxplot(y=data[col_name],data=data,palette='Set1',ax=ax[0])
sns.boxplot(y=data_n[col_name],data=data_n,palette='Set1',ax=ax[1])
return data_n
将异常数据进行删除,这里以power为例,但注意,在测试集中是不能删除数据的。
Train_data = outliers_proc(Train_data,'power',scale=3)
特征构造时,将训练集和测试集放在一起,方便构造特征。
Train_data['train'] = 1
TestA_data['train'] = 0
data = pd.concat([Train_data,TestA_data],ignore_index=True,sort=False)
print(data['creatDate'].isnull().sum())
print(data['regDate'].isnull().sum())
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。注意,数据里有时间出错的格式,所以我们需要errors=‘coerce’。
data['used_time'] = (pd.to_datetime(data['creatDate'],format='%Y%m%d',errors='coerce')-
pd.to_datetime(data['regDate'],format='%Y%m%d',errors='coerce')).dt.days
查看空数据
data['used_time'].isnull().sum()
# output
15072
结果显示有15072个样本为空,但缺失数据的样本数仅占样本总量的7.5%,所以不建议删除。并且XGBoost以及LightGBM之类的决策树是能够处理缺失值的。
从邮编中提取城市信息,因为是德国的数据,所以参考德国的邮编,相当于加入了先验知识。
data['city'] = data['regionCode'].apply(lambda x: str(x)[:-3])
计算某品牌的销售统计量,还可以计算其他特征的统计量。这里要以 Train_data 的数据计算统计量。
train_gb = Train_data.groupby('brand')
all_info = {}
for kind, kind_data in train_gb:
info = {}
kind_data = kind_data[kind_data['price']>0]
info['brand_amount'] = len(kind_data)
info['brand_price_max'] = kind_data.price.max()
info['brand_price_median'] = kind_data.price.median()
info['brand_price_min'] = kind_data.price.min()
info['brand_price_sum'] = kind_data.price.sum()
info['brand_price_std'] = kind_data.price.std()
info['brand_price_average'] = round(kind_data.price.sum() / (len(kind_data)+1),2)
all_info[kind] = info
brand_fe = pd.DataFrame(all_info).T.reset_index().rename(columns={"index":"brand"})
data = data.merge(brand_fe,how='left',on='brand')
数据分桶。以power为例,这时候缺失值也进桶了。
bin = [i*10 for i in range(31)]
data['power_bin'] = pd.cut(data['power'],bin,labels=False)
data[['power_bin','power']].head()
为什么要做数据分桶呢?
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。
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。
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,能够提升模型的拟合能力,加大拟合。
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,进一步引入非线性,提升了表达能力。
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。
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。
之后删除掉原始数据,处理后的数据就可以拿来进行训练了。
data = data.drop(['creatDate','regDate','regionCode'],axis=1)
print(data.shape)
data.columns
特征工程(Feature Engineering):将数据转换为能更好地表示潜在问题的特征,从而提高机器学习性能。
- 数据理解
- 数据清洗
- 特征构造
- 特征选择
- 类别不平衡
数据理解:目的是探索数据,了解数据,主要在EDA阶段完成
数据清洗:目的是提高数据质量,降低算法用错误数据建模的风险。
特征构造:增强数据表达,添加先验知识。
特征选择:降低噪声,平滑预测能力和计算复杂度,增强模型预测性能。
类别不平衡:少类别提供信息太少,没有学会判别少数类。