Task3特征工程
常见的特征工程包括：
-
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；
-
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+x1+median)log(1+x1+median)
-
数据分桶：
-
等频分桶；
-
等距分桶；
-
Best-KS 分桶（类似利用基尼指数进行二分类）；
-
卡方分桶；
-
缺失值处理：
-
不处理（针对类似 XGBoost 等树模型）；
-
删除（缺失数据太多）；
-
插值补全，包括均值/中位数/众数/建模预测/多重插补/压缩感知补全/矩阵补全等；
-
分箱，缺失值一个箱；
-
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，特征交叉；
-
仁者见仁，智者见智。
-
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/方差选择发/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（Las Vegas Wrapper） ；
-
嵌入式（embedding）：结合过滤式和包裹式，学习器训练过程中自动进行了特征选择，常见的有 lasso 回归；
-
降维
-
PCA/ LDA/ ICA；
-
特征选择也是一种降维。
代码实现
导入数据
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 path = './datalab/231784/' Train_data = pd.read_csv(path+'used_car_train_20200313.csv', sep=' ') Test_data = pd.read_csv(path+'used_car_testA_20200313.csv', sep=' ') print(Train_data.shape) print(Test_data.shape) Train_data.head() Train_data.columns Test_data.columns
删除异常值
# 这里我包装了一个异常值处理的代码，可以随便调用。 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: """ 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) 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 # 我们可以删掉一些异常数据，以 power 为例。 # 这里删不删同学可以自行判断 # 但是要注意 test 的数据不能删 = = 不能掩耳盗铃是不是 Train_data = outliers_proc(Train_data, 'power', scale=3)
特征构造
# 训练集和测试集放在一起，方便构造特征 Train_data['train']=1 Test_data['train']=0 data = pd.concat([Train_data, Test_data], ignore_index=True) # 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 # 不过要注意，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 # 看一下空数据，有 15k 个样本的时间是有问题的，我们可以选择删除，也可以选择放着。 # 但是这里不建议删除，因为删除缺失数据占总样本量过大，7.5% # 我们可以先放着，因为如果我们 XGBoost 之类的决策树，其本身就能处理缺失值，所以可以不用管； data['used_time'].isnull().sum() # 从邮编中提取城市信息，相当于加入了先验知识 data['city'] = data['regionCode'].apply(lambda x : str(x)[:-3]) data = data # 计算某品牌的销售统计量，同学们还可以计算其他特征的统计量 # 这里要以 train 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 # 这时候我们的缺失值也进桶了， # 为什么要做数据分桶呢，原因有很多，= = # 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，能够提升模型的表达能力，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，进一步引入非线形，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 # 当然还有很多原因，LightGBM 在改进 XGBoost 时就增加了数据分桶，增强了模型的泛化性 bin = [i*10 for i in range(31)] data['power_bin'] = pd.cut(data['power'], bin, labels=False) data[['power_bin', 'power']].head() # 删除不需要的数据 data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1) print(data.shape) data.columns # 目前的数据其实已经可以给树模型使用了，所以我们导出一下 data.to_csv('data_for_tree.csv', index=0) # 我们可以再构造一份特征给 LR NN 之类的模型用 # 之所以分开构造是因为，不同模型对数据集的要求不同 # 我们看下数据分布： data['power'].plot.hist() # 我们刚刚已经对 train 进行异常值处理了，但是现在还有这么奇怪的分布是因为 test 中的 power 异常值， # 所以我们其实刚刚 train 中的 power 异常值不删为好，可以用长尾分布截断来代替 Train_data['power'].plot.hist() # 我们对其取 log，在做归一化 from sklearn import preprocessing min_max_scaler = preprocessing.MinMaxScaler() data['power'] = np.log(data['power'] + 1) data['power'] = ((data['power'] - np.min(data['power'])) / (np.max(data['power']) - np.min(data['power']))) data['power'].plot.hist() # km 的比较正常，应该是已经做过分桶了 data['kilometer'].plot.hist() # 所以我们可以直接做归一化 data['kilometer'] = ((data['kilometer'] - np.min(data['kilometer'])) / (np.max(data['kilometer']) - np.min(data['kilometer']))) data['kilometer'].plot.hist()
# 除此之外 还有我们刚刚构造的统计量特征： # 'brand_amount', 'brand_price_average', 'brand_price_max', # 'brand_price_median', 'brand_price_min', 'brand_price_std', # 'brand_price_sum' # 这里不再一一举例分析了，直接做变换， def max_min(x): return (x - np.min(x)) / (np.max(x) - np.min(x)) data['brand_amount'] = ((data['brand_amount'] - np.min(data['brand_amount'])) / (np.max(data['brand_amount']) - np.min(data['brand_amount']))) data['brand_price_average'] = ((data['brand_price_average'] - np.min(data['brand_price_average'])) / (np.max(data['brand_price_average']) - np.min(data['brand_price_average']))) data['brand_price_max'] = ((data['brand_price_max'] - np.min(data['brand_price_max'])) / (np.max(data['brand_price_max']) - np.min(data['brand_price_max']))) data['brand_price_median'] = ((data['brand_price_median'] - np.min(data['brand_price_median'])) / (np.max(data['brand_price_median']) - np.min(data['brand_price_median']))) data['brand_price_min'] = ((data['brand_price_min'] - np.min(data['brand_price_min'])) / (np.max(data['brand_price_min']) - np.min(data['brand_price_min']))) data['brand_price_std'] = ((data['brand_price_std'] - np.min(data['brand_price_std'])) / (np.max(data['brand_price_std']) - np.min(data['brand_price_std']))) data['brand_price_sum'] = ((data['brand_price_sum'] - np.min(data['brand_price_sum'])) / (np.max(data['brand_price_sum']) - np.min(data['brand_price_sum']))) # 对类别特征进行 OneEncoder data = pd.get_dummies(data, columns=['model', 'brand', 'bodyType', 'fuelType', 'gearbox', 'notRepairedDamage', 'power_bin']) print(data.shape) data.columns # 这份数据可以给 LR 用 data.to_csv('data_for_lr.csv', index=0)
特征过滤
过滤式
# 相关性分析 print(data['power'].corr(data['price'], method='spearman')) print(data['kilometer'].corr(data['price'], method='spearman')) print(data['brand_amount'].corr(data['price'], method='spearman')) print(data['brand_price_average'].corr(data['price'], method='spearman')) print(data['brand_price_max'].corr(data['price'], method='spearman')) print(data['brand_price_median'].corr(data['price'], method='spearman')) # 当然也可以直接看图 data_numeric = data[['power', 'kilometer', 'brand_amount', 'brand_price_average', 'brand_price_max', 'brand_price_median']] correlation = data_numeric.corr() f , ax = plt.subplots(figsize = (7, 7)) plt.title('Correlation of Numeric Features with Price',y=1,size=16) sns.heatmap(correlation,square = True, vmax=0.8)
包裹式
!pip install mlxtend # 不要点，下载速度很慢
# k_feature 太大会很难跑，没服务器，所以提前 interrupt 了 from mlxtend.feature_selection import SequentialFeatureSelector as SFS from sklearn.linear_model import LinearRegression sfs = SFS(LinearRegression(), k_features=10, forward=True, floating=False, scoring = 'r2', cv = 0) x = data.drop(['price'], axis=1) x = x.fillna(0) y = data['price'] sfs.fit(x, y) sfs.k_feature_names_
# 画出来，可以看到边际效益 from mlxtend.plotting import plot_sequential_feature_selection as plot_sfs import matplotlib.pyplot as plt fig1 = plot_sfs(sfs.get_metric_dict(), kind='std_dev') plt.grid() plt.show()