Task03特征工程

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。

1. 数据理解
2. 数据清洗
3. 特征构造
4. 特征选择
5. 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。