特征工程――特征转换

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 

x′=xxσ$$x^{\prime }=\frac{x\stackrel{}{x}}{\sigma }$$

其中x$\stackrel{}{x}$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()  #StandardScaler Amount = RFM['Amount'].values.reshape(-1,1) std.fit(Amount) RFM['Amount_std'] = std.transform(Amount) RFM.head(5)

x′=xmin(x)max(x)min(x)$$x^{\prime }=\frac{x\mathit{m}\mathit{i}\mathit{n}(x)}{\mathit{m}\mathit{a}\mathit{x}(x)\mathit{m}\mathit{i}\mathit{n}(x)}$$

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

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 

---

logX Ine 等 对数函数变换 x′=ln(x)$x^{\prime }=ln(x)$
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)

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 

类别型变量----编码成---> 数值型变量 

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） 

---

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pandas onehot = 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()

时间型
日期型

代码： 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:提取日期型和时间型的特征变量 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：转换为相对时间特征 import datetime data['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()

    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 

---

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()

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()

文章来源: 特征工程――特征转换