二手车交易Task3:特征工程

2020-04-05 08:03 312人阅读评论(0)

3.1 特征工程目标

对于特征进行进一步的分析,并对数据进行处理
完成对于特征工程的分析,并对数据进行一些图表或者文字总结打卡

特征工程其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。

3.2 特征工程内容介绍

常见的特征工程包括:

1.异常值的处理:

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.特征归一化/标准化:

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

3.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;

4.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;

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，特征交叉；
仁者见仁，智者见智。

6.特征筛选

过滤式：先对数据进行特征选择，然后再训练学习器，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：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标准，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选择了特征选择，常见的有lasso回归；

7.降维

PCA/LDA/ICA；
特征选择也是一种降维。

3.3 代码实现

##导入基础工具
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

##导入数据
train = pd.read_csv('train.csv', sep=' ')
test = pd.read_csv('testA.csv', sep=' ')
print(train.shape)
print(test.shape)

可以看到训练集中有31个特征，15万行观测；测试集中有30个特征，5万行观测。

##简要浏览数据
train.head()
train.columns
test.columns

输出结果如下：

训练集的列名：

测试集的列名：

3.3.1 异常值的处理

异常值的处理一般包括通过箱线图(或3-Sigma)分析删除异常值，BOX-COX转换(处理有偏分布)，长尾截断几部分。
这里包装了一个异常值处理的代码，可以随便调用。此处的分析我们以power为例。

 """
 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:
 """
 """
 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:
 """
def outliers_proc(data, col_name, scale=3):
    def box_plot_outliers(data_ser, box_scale):
        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

train = outliers_proc(train, 'power', scale=3)

以power特征为例，输出结果如下：

从箱型图可以看到power特征的上界在260 ，我们删除了963个超过上界的异常数据。这些异常数据中最大的为19312， 376。
观察一下训练集中删除异常值之后的power的分布：

plt.hist(train['power'], orientation = 'vertical',histtype = 'bar', color ='blue')
plt.show()

输出结果如下：

可以看到power特征的分布较为可观，便不再作其他处理。
我们再观察一下测试集中的power特征的分布：

plt.hist(test['power'], orientation = 'vertical',histtype = 'bar', color ='blue')
plt.show()

输出结果如下：

可以看到测试集中power特征分布及其奇怪，说明其存在异常值，但是测试集中的异常值不能够删除。因此不选择删除训练集中异常值，而采用长尾分布截断来处理。（这里的异常数据删不删可以自行判断，但是要注意测试集中的数据不能删。）

3.3.2 特征构造

将训练集和测试集放在一起,方便构造特征,代码如下:

train['train']=1
test['train']=0
data = pd.concat([train, test], ignore_index=True, sort=False)

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.da

data['used_time'].isnull().sum()

输出结果如下：

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。

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，这里要以 train 的数据计算统计量。

train_gb = train.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')

3.3.3 数据分桶

为什么要做数据分桶呢，原因有很多：

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；
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
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
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
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。数据分桶我们以power为例。

bin = [i*10 for i in range(31)]
data['power_bin'] = pd.cut(data['power'], bin, labels=False)
data[['power_bin', 'power']].head()

输出结果如下：

利用好了，就可以删掉原始数据了

data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1)

print(data.shape)
data.columns

输出结果如下：

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()

输出结果如下：

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。
对其取 log，再做归一化。

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()

输出结果如下：

data['kilometer'].plot.hist()

输出结果如下：

km 的比较正常，应该是已经做过分桶了。
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()

输出结果如下：

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_avera
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'])

这份数据可以给 LR 用

data.to_csv('data_for_lr.csv', index=0)

3.3.3 特征筛选

1)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'))

输出结如下：

我们也可以看一下热度图：

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)

输出结果：

2)包裹式

!pip install mlxtend

# 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()

3)嵌入式
下一章介绍，Lasso 回归和决策树可以完成嵌入式特征选择，大部分情况下都是用嵌入式做特征筛选。

特征工程的主要目的还是在于将数据转换为能更好地表示潜在问题的特征，从而提高机器学习的性能。比如，异常值处理是为了去除噪声，填补缺失值可以加入先验知识等。特征构造也属于特征工程的一部分，其目的是为了增强数据的表达。有些比赛的特征是匿名特征，这导致我们并不清楚特征相互直接的关联性，这时我们就只有单纯基于特征进行处理，比如装箱，groupby，agg 等这样一些操作进行一些特征统计，此外还可以对特征进行进一步的 log，exp 等变换，或者对多个特征进行四则运算（如上面我们算出的使用时长），多项式组合等然后进行筛选。总的来说，特征工程是一个入门简单，但想精通非常难的一件事。

转载：https://blog.csdn.net/o6eceici/article/details/105073507

查看评论

飞道的博客

飞道的博客

个人资料

文章分类

文章存档

阅读排行

评论排行

推荐文章