3、Datawhale入门-特征工程

1 目的

1.对数据的特征进一步分析，并进行处理
2.数据特征分析的可视化

2 特征处理

2.1 异常处理

通过箱线图（或 3-Sigma）分析删除异常值；
BOX-COX 转换（处理有偏分布）；
长尾截断；

2.2 特征归一化/标准化

标准化（转换为标准正态分布）；
归一化（抓换到 [0,1] 区间）；
针对幂律分布，可以采用公式log((1+x)/(1+𝑚𝑒𝑑𝑖𝑎𝑛))

2.3 数据分桶

等频分桶；
等距分桶；
Best-KS分桶；
卡方分桶；

2.4 缺失值处理

不处理；
删除；
插值补全；
分箱，缺失值一个箱；

2.5 特征构造

构造统计量特征、报告计数、求和、比例、标准差等；
时间特征，包括相对时间和绝对时间，节假日、双休日等；
地理信息，包括分箱，分布编码等方法；
非线性变换，包括log/平方/根号等；
特征组合。

2.6 特征筛选

过滤式(filter)：先对数据进行特征选择，然后在训练学习器，常见的方法有Relief/方差选择法/相关系数法/卡方检验法/互信息法；
包裹式(wrapper)：直接把最终将要使用的学习器的性能作为特征子集的评价准则，常见方法有LVM
嵌入式：结合过滤式和包裹式，学习器训练过程中自动进行特征选择，常见的有lasso回归；

2.7 降维

PCA/LDA/ICA;
特征选择也是一种降维.

3 样本特征分析(代码)

对于已有样本
1

3.1 导入数据集

import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns
from operator import itemgetter

%matplotlib inline

train = pd.read_csv('train.csv', sep=' ')
test = pd.read_csv('testA.csv', sep=' ')

3.2 删除异常值

对训练集处理

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，
    :return:
    """
    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)

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
    :return:
    """
    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("删除的数字是: {}".format(len(index)))
    data_n = data_n.drop(index)
    data_n.reset_index(drop=True, inplace=True)
    print("现在的列号是: {}".format(data_n.shape[0]))
    index_low = np.arange(data_series.shape[0])[rule[0]]
    outliers = data_series.iloc[index_low]
    print("小于下限的数据为:")
    print(pd.Series(outliers).describe())
    index_up = np.arange(data_series.shape[0])[rule[1]