特徵工程——特徵轉換
阿新 • • 發佈:2019-01-10
一、連續型變數
1.1 連續變數無量綱化
無量綱化: 使不同規格尺度的資料轉化統一規格尺度(將資料單位統一)
無量綱化方法:標準化, 區間所方法
- 標準化: 將連續性變數轉變為 均值0 標準差1 的變數
程式碼: #對 Amount欄位--均值為0,方差為1標準化
from sklearn import preprocessing
std = preprocessing.StandardScaler() #StandardScaler
Amount = RFM['Amount'].values.reshape(-1,1)
std.fit(Amount)
RFM['Amount_std'] = std.transform(Amount)
RFM.head(5)
區間縮放法:把原始的連續型變數轉換為範圍在[a,b]或者 [0,1] 之間的變數
程式碼: #對 Amount欄位--[0,1]區間歸一化
from sklearn import preprocessing
Min Maxscaler = preprocessing.MinMaxscaler() #MinMaxscaler
Amount = RFM['Amount'].values.reshape(-1,1)
MinMaxscaler.fit(Amount) #擬合(訓練)
RFM['Amount_range'] = MinMaxscaler.transform(Amount)
RFM.head(5)
1.2 連續變數資料變換
資料變換:通過函式變換改變原始資料的分佈 目 的: 資料從無關係 -> 有關係 呈偏態分佈-->變換後差異拉開 讓資料符合模型理論所需要的假設,然後對其分析,例如:變換後資料呈正態分佈
- 資料變化方法:
logX,Ine
等 對數函式變換
box-cox
變換 :自動尋找最佳正態分佈變換函式的方法
程式碼1: #對 Amount欄位--log 變換
import numpy as np
RFM['Amount_log'] = np.log(RFM['Amount'])
RFM,head(5)
程式碼2: #對 Amount欄位--sqrt (平方根) 變換
import numpy as np
RFM['Amount_sqrt'] = np.sqrt(RFM['Amount'])
RFM,head(5)
1.3 連續變數離散化
目的:方便探索資料相關性
減少異常資料對模型的干擾
為模型引入非線性,提升模型預測能力
離散後,可進行特徵交叉組合,又M+N 變成 M*N
資料離散化方法:
非監督離散方法:
自定義規則,
等寬方法,
等頻/等深方法
非監督離散方法:
#對 Amount欄位--自定義區間 離散化
cut_points = [0,200,500,800,1000]
RFM['Amount_bin'] = pd.cut(RFM['Amount'],bin = cut_points)
RFM,head(5)
#對 Amount欄位--等寬 離散化
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()
#對 Amount欄位--等深 離散化
RFM['Amount_depth_bin'] = pd.qcut(RFM.Amount,5) #分成5人的等分約20%
RFM,head(5)
grouped = RFM.groupby('Amount_depth_bin')
grouped['CardID'].count()
有監督離散方法:決策樹
離散化後的目標分類純度最高(對目標有很好的區分能力)
一種特殊的離散化方法:
二值化: 把連續型變數分割為0/1(是/否) 例如:是否大於18歲(是/否)
Rounding(取整): 本質上時一種類似‘等距方法’的離散
二、類別變數編碼
- 類別變數編碼:
- 類別型變數—-編碼成—> 數值型變數
- 目的:
- 機器學習演算法 無法處理類別型變數,必須轉換為數值型變數
一定程度起到了擴充特徵的作用(構造了新的特徵)
one-hot encoding
獨熱編碼
dummy encoding
啞變數編碼
label-encoding
標籤編碼
count-Encoding
頻數編碼 (可以去量綱化,秩序,歸一化)
Target encoding
二分類 用目標變數中的某一類的比例來編碼
程式碼:
import pandas as pd #匯入的資料來源於 特徵構造
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 編碼(獨熱編碼)使用pandas------------------
onehot = pd.get_dummies(RFM['CardID']),drop_first = False,prefix = 'Freq'
onehot.head()
from sklearn import preprocessing #使用sklearn 匯入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) #將array 轉為pandas 的dataframe
df.head()
三、時間型、日期型變數轉換
程式碼:
import pandas as pd
data = 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:提取日期型和時間型的特徵變數
data['year']= data['data_time'].dt.year
data['month'] = data['data_time'].dt.month
data['day'] = data['data_time'].dt.day
data['hour'] = data['data_time'].dt.hour
data['minute'] = data['data_time'].dt.minute
data['second'] = data['data_time'].dt.second
data['quarter'] = data['data_time'].dt.quarter
data['week'] = data['data_time'].dt.week
data['yearmonth'] = data['data_time'].dt.strftime('%Y-%m')
data['halfyear'] = data['data_time'].mapa(lambda d:'H' if d.month <= 6 else 'H2')
■ data:轉換為相對時間特徵
import datetime
data['deltaDayToToday'] = (datetime.date.today()-data['date'].dt.date).dt.days #距離今天的間隔(天數)
data['deltaMonthToToday'] = datetime.date.today().month - data['date'].dt.month #距離今天的間隔(月數)
data['daysOfyear'] = data['date'].map(lambda d:366 if d.is_leap_year els 365) #一年過去的進度
data['rateOfyear'] = data['date'].dt.dayofyear/data['daysOfyear']
data.head()
四、 缺失值處理
- 刪除缺失值記錄
- 缺失值替換:
- 用0替換
平均數替換
眾數替換
預測模型替換 - 構造
NaN encoding
編碼 : - 構造一個新的欄位來標識是否有缺失(1/0) 任何時候都可使用
import pandas as pd
titanic = pd.read_csv('./data/titanic.csv')
titanic.info()
age_mean = round(titanic['Age'].mean()) #對缺失值進行填充
titanic['Age'].fillna(age_mean,inplace = True) #填充平均年齡
titanic.info()
titanic = pd.read_csv('./data/titanic.csv') #構造缺失值的標誌變數(0/1)
titanic.info()
titanic['Age_ismissing'] = 0
titanic.loc[titanic['Age'].isnull(),'Age_ismissing'] = 1
titanic['Age_ismissing'].value_counts()
五、 特徵組合
- 目的:
- 構造更多更好的特徵,提升模型精度(例如:地球儀的經緯密度)
- 方法:
- 多個連續變數: 加減乘除運算
多個類別型變數: 所有值交叉組合
import pandas as pd
titanic = pd.read_csv('./data/titanic.csv')
titanic.head()
# 組合特徵
titanic['Sex_pclass_combo'] = titanic['Sex']+'_pclass_'+titanic['Pclass'].astype(str)
titanic.Sex_pclass_combo.value_counts()
# onehot編碼
Sex_pclass_combo = pd.get_dummies['Sex_pclass_combo'],drop_first = False,prefix = 'onehot'
Sex_pclass_combo.head()