特征工程——特征转换

特征转换

一、连续型变量

1.1 连续变量无量纲化

无量纲化： 使不同规格尺度的数据转化统一规格尺度（将数据单位统一）
无量纲化方法：标准化, 区间所方法123

标准化： 将连续性变量转变为 均值0 标准差1 的变量

x′=x−x¯¯¯σ$x^{\prime }=\frac{x-\overline{x}}{\sigma }$

 其中x¯¯¯$\overline{x}$是均值，σ$\sigma$是标准差

代码：                                 #对 Amount字段--均值为0，方差为1标准化from sklearn import preprocessing
std = preprocessing.StandardScaler()  #StandardScalerAmount = RFM['Amount'].values.reshape(-1,1)
std.fit(Amount)
RFM['Amount_std'] = std.transform(Amount)
RFM.head(5)

区间缩放法：把原始的连续型变量转换为范围在[a,b]或者 [0,1] 之间的变量

x′=x−min(x)max(x)−min(x)$x^{\prime }=\frac{x-min\left(x\right)}{max\left(x\right)-min\left(x\right)}$

代码：                                       #对 Amount字段--[0,1]区间归一化 from sklearn import preprocessing
MinMaxscaler = preprocessing.MinMaxscaler()  #MinMaxscalerAmount = RFM['Amount'].values.reshape(-1,1)
MinMaxscaler.fit(Amount)                     #拟合(训练)RFM['Amount_range'] = MinMaxscaler.transform(Amount)
RFM.head(5)

1.2 连续变量数据变换

数据变换：通过函数变换改变原始数据的分布
目   的： 数据从无关系 -> 有关系
         呈偏态分布-->变换后差异拉开
         让数据符合模型理论所需要的假设，然后对其分析，例如：变换后数据呈正态分布12345

---

数据变化方法：

logX Ine      等 对数函数变换x′=ln(x)$x^{\prime }=ln\left(x\right)$
box-cox 变换 ：自动寻找最佳正态分布变换函数的方法

代码1：             #对 Amount字段--log 变换import numpy as np
RFM['Amount_log'] = np.log(RFM['Amount'])
RFM,head(5)

代码2：             #对 Amount字段--sqrt (平方根) 变换import numpy as np
RFM['Amount_sqrt'] = np.sqrt(RFM['Amount'])
RFM,head(5)

1.3  连续变量离散化

目的：方便探索数据相关性
      减少异常数据对模型的干扰
      为模型引入非线性，提升模型预测能力
      离散后，可进行特征交叉组合，又M+N 变成 M*N
数据离散化方法：
    非监督离散方法：
        自定义规则，
        等宽方法，
        等频/等深方法

非监督离散方法： #对 Amount字段--自定义区间 离散化
        cut_points = [0,200,500,800,1000]
        RFM['Amount_bin'] = pd.cut(RFM['Amount'],bin = cut_points)
        RFM,head(5) #对 Amount字段--等宽 离散化
        RFM['Amount_width_bin'] = pd.cut(RFM.Amount,20) #分成20等分
        RFM,head(5)
        grouped = RFM.groupby('Amount_width_bin')
        grouped['CardID'].count() #对 Amount字段--等深 离散化
        RFM['Amount_depth_bin'] = pd.qcut(RFM.Amount,5) #分成5人的等分约20%
        RFM,head(5)
        grouped = RFM.groupby('Amount_depth_bin')
        grouped['CardID'].count()

有监督离散方法：决策树
离散化后的目标分类纯度最高（对目标有很好的区分能力）
一种特殊的离散化方法：
    二值化：           把连续型变量分割为0/1（是/否） 例如：是否大于18岁（是/否）
    Rounding（取整）： 本质上时一种类似‘等距方法’的离散

二、 类别变量编码

类别变量编码：

类别型变量----编码成---> 数值型变量12

目的：

机器学习算法 无法处理类别型变量，必须转换为数值型变量
一定程度起到了扩充特征的作用（构造了新的特征）123

---

one-hot 编码 （独热编码）
count-Encoding 频数编码 （可以去量纲化，秩序，归一化）
Target encoding  二分类 用目标变量中的某一类的比例来编码

代码：import pandas as pd                    #导入的数据源于 特征构造trade = pd.read_csv('./data/transaction.txt')
trade['Date'] = pd.to_datetime(trade['Date'])
RFM = trade.groupby('CardID').egg({'Date':'max','CardID':'count','Amount':'sum'})
RFM.head()

Onehot 编码（独热编码）                  #使用pandasonehot = pd.get_dummies(RFM['CardID']),drop_first = False,prefix = 'Freq'onehot.head()    from sklearn import preprocessing  #使用sklearn 导入OneHotEncoder
    onehot = preprocessing.OneHotEncoder() #OneHotEncoder
    Freq = RFM['CardID'].values.reshape(-1,1)
onehot.fit(Freq)
    Freq_onehot = onehot.transform(Freq).toarray()
    Freq_onehot
    df = pd.DataFrame(Freq_onehot)    #将array 转为pandas 的dataframe
    df.head()

三、日期型变量转换

时间型
 日期型

代码：import pandas as pddata = pd.DataFrame({'data_time':pd.date_range('1/1/2017 00:00:00',period = 12,freq = 'H'),'data':pd.date_range('2017-1-1',period = 12,freq = 'M')})

 data:提取日期型和时间型的特征变量data['year']= data['data_time'].dt.yeardata['month'] = data['data_time'].dt.monthdata['day'] = data['data_time'].dt.daydata['hour'] = data['data_time'].dt.hourdata['minute'] = data['data_time'].dt.minutedata['second'] = data['data_time'].dt.seconddata['quarter'] = data['data_time'].dt.quarterdata['week'] = data['data_time'].dt.weekdata['yearmonth'] = data['data_time'].dt.strftime('%Y-%m')data['halfyear'] = data['data_time'].mapa(lambda d:'H' if d.month <= 6 else 'H2') data：转换为相对时间特征import datetimedata['deltaDayToToday'] = (datetime.date.today()-data['date'].dt.date).dt.days  #距离今天的间隔（天数）data['deltaMonthToToday'] = datetime.date.today().month - data['date'].dt.month #距离今天的间隔（月数）data['daysOfyear'] = data['date'].map(lambda d:366 if d.is_leap_year els 365)   #一年过去的进度data['rateOfyear'] = data['date'].dt.dayofyear/data['daysOfyear']data.head()

四、 缺失值处理

处理方法：

    删除缺失值记录
    缺失值替换：  用0替换
                平均数替换
                众数替换
                预测模型替换123456

---

构造NaN encoding编码 ：构造一个新的字段来标识是否有缺失(1/0) 任何时候都可使用

代码：    import pandas as pd
    titanic = pd.read_csv('./data/titanic.csv')
    titanic.info()

    age_mean = round(titanic['Age'].mean())        #对缺失值进行填充
    titanic['Age'].fillna(age_mean,inplace = True) #填充平均年龄
    titanic.info()

    titanic = pd.read_csv('./data/titanic.csv') #构造缺失值的标志变量（0/1）
    titanic.info()
    titanic['Age_ismissing'] = 0
    titanic.loc[titanic['Age'].isnull(),'Age_ismissing'] = 1
    titanic['Age_ismissing'].value_counts()

五、 特征组合

目的：构造更多更好的特征，提升模型精度（例如：地球仪的经纬密度）
 方法：
 多个连续变量：   加减乘除运算
 多个类别型变量：  所有值交叉组合

代码：import pandas as pd 
titanic = pd.read_csv('./data/titanic.csv')
titanic.head()

组合特征
titanic['Sex_pclass_combo'] = titanic['Sex']+'_pclass_'+titanic['Pclass'].astype(str)
titanic.Sex_pclass_combo.value_counts()

onehot编码
Sex_pclass_combo = pd.get_dummies['Sex_pclass_combo'],drop_first = False,prefix = 'onehot'Sex_pclass_combo.head()

原文出处