Datawhale 零基礎入門數據挖掘-Task3 特徵工程¶

三、特徵工程目標

Tip:此部分爲零基礎入門數據挖掘的 Task3 特徵工程部分，帶你來了解各種特徵工程以及分析方法，歡迎大家後續多多交流。

賽題：零基礎入門數據挖掘 - 二手車交易價格預測

地址：https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX

3.1 特徵工程目標

對於特徵進行進一步分析，並對於數據進行處理

完成對於特徵工程的分析，並對於數據進行一些圖表或者文字總結並打卡。

3.2 內容介紹

常見的特徵工程包括：

異常處理：
- 通過箱線圖（或 3-Sigma）分析刪除異常值；
- BOX-COX 轉換（處理有偏分佈）；
- 長尾截斷；
特徵歸一化/標準化：
- 標準化（轉換爲標準正態分佈）；
- 歸一化（抓換到 [0,1] 區間）；
- 針對冪律分佈，可以採用公式： log(1+x1+median)log(1+x1+median)
數據分桶：
- 等頻分桶；
- 等距分桶；
- Best-KS 分桶（類似利用基尼指數進行二分類）；
- 卡方分桶；
缺失值處理：
- 不處理（針對類似 XGBoost 等樹模型）；
- 刪除（缺失數據太多）；
- 插值補全，包括均值/中位數/衆數/建模預測/多重插補/壓縮感知補全/矩陣補全等；
- 分箱，缺失值一個箱；
特徵構造：
- 構造統計量特徵，報告計數、求和、比例、標準差等；
- 時間特徵，包括相對時間和絕對時間，節假日，雙休日等；
- 地理信息，包括分箱，分佈編碼等方法；
- 非線性變換，包括 log/ 平方/ 根號等；
- 特徵組合，特徵交叉；
- 仁者見仁，智者見智。
特徵篩選
- 過濾式（filter）：先對數據進行特徵選擇，然後在訓練學習器，常見的方法有 Relief/方差選擇發/相關係數法/卡方檢驗法/互信息法；
- 包裹式（wrapper）：直接把最終將要使用的學習器的性能作爲特徵子集的評價準則，常見方法有 LVM（Las Vegas Wrapper）；
- 嵌入式（embedding）：結合過濾式和包裹式，學習器訓練過程中自動進行了特徵選擇，常見的有 lasso 迴歸；
降維
- PCA/ LDA/ ICA；
- 特徵選擇也是一種降維。

3.3 代碼示例

3.3.0 導入數據

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)

(150000, 31)
(50000, 30)

Train_data.head()

[33]:

	SaleID	name	regDate	model	brand	bodyType	gearbox	power	kilometer	...	v_5	v_6	v_7	v_8	v_9	v_10	v_11	v_12	v_13	v_14
0	0	736	20040402	30.0	6	1.0	0.0	60	12.5	...	0.235676	0.101988	0.129549	0.022816	0.097462	-2.881803	2.804097	-2.420821	0.795292	0.914762
1	1	2262	20030301	40.0	1	2.0	0.0	0	15.0	...	0.264777	0.121004	0.135731	0.026597	0.020582	-4.900482	2.096338	-1.030483	-1.722674	0.245522
2	2	14874	20040403	115.0	15	1.0	0.0	163	12.5	...	0.251410	0.114912	0.165147	0.062173	0.027075	-4.846749	1.803559	1.565330	-0.832687	-0.229963
3	3	71865	19960908	109.0	10	0.0	1.0	193	15.0	...	0.274293	0.110300	0.121964	0.033395	0.000000	-4.509599	1.285940	-0.501868	-2.438353	-0.478699
4	4	111080	20120103	110.0	5	1.0	0.0	68	5.0	...	0.228036	0.073205	0.091880	0.078819	0.121534	-1.896240	0.910783	0.931110	2.834518	1.923482

5 rows × 31 columns

Train_data.columns

[34]:

Index(['SaleID', 'name', 'regDate', 'model', 'brand', 'bodyType', 'fuelType',
       'gearbox', 'power', 'kilometer', 'notRepairedDamage', 'regionCode',
       'seller', 'offerType', 'creatDate', 'price', 'v_0', 'v_1', 'v_2', 'v_3',
       'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12',
       'v_13', 'v_14'],
      dtype='object')

Test_data.columns

[35]:

Index(['SaleID', 'name', 'regDate', 'model', 'brand', 'bodyType', 'fuelType',
       'gearbox', 'power', 'kilometer', 'notRepairedDamage', 'regionCode',
       'seller', 'offerType', 'creatDate', 'v_0', 'v_1', 'v_2', 'v_3', 'v_4',
       'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'v_10', 'v_11', 'v_12', 'v_13',
       'v_14'],
      dtype='object')

3.3.1 刪除異常值

# 這裏我包裝了一個異常值處理的代碼，可以隨便調用。

def outliers_proc(data, col_name, scale=3):

"""

    用於清洗異常值，默認用 box_plot（scale=3）進行清洗

    :param data: 接收 pandas 數據格式

    :param col_name: pandas 列名

    :param scale: 尺度

    :return:

"""

    def box_plot_outliers(data_ser, box_scale):

"""

        利用箱線圖去除異常值

        :param data_ser: 接收 pandas.Series 數據格式

        :param box_scale: 箱線圖尺度，

        :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

# 我們可以刪掉一些異常數據，以 power 爲例。

# 這裏刪不刪同學可以自行判斷

# 但是要注意 test 的數據不能刪 = = 不能掩耳盜鈴是不是

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

Delete number is: 963
Now column number is: 149037
Description of data less than the lower bound is:
count    0.0
mean     NaN
std      NaN
min      NaN
25%      NaN
50%      NaN
75%      NaN
max      NaN
Name: power, dtype: float64
Description of data larger than the upper bound is:
count      963.000000
mean       846.836968
std       1929.418081
min        376.000000
25%        400.000000
50%        436.000000
75%        514.000000
max      19312.000000
Name: power, dtype: float64

3.3.2 特徵構造

# 訓練集和測試集放在一起，方便構造特徵

Train_data['train']=1

Test_data['train']=0

data = pd.concat([Train_data, Test_data], ignore_index=True)

# 使用時間：data['creatDate'] - data['regDate']，反應汽車使用時間，一般來說價格與使用時間成反比

# 不過要注意，數據裏有時間出錯的格式，所以我們需要 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

# 看一下空數據，有 15k 個樣本的時間是有問題的，我們可以選擇刪除，也可以選擇放着。

# 但是這裏不建議刪除，因爲刪除缺失數據佔總樣本量過大，7.5%

# 我們可以先放着，因爲如果我們 XGBoost 之類的決策樹，其本身就能處理缺失值，所以可以不用管；

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

[40]:

# 從郵編中提取城市信息，相當於加入了先驗知識

data['city'] = data['regionCode'].apply(lambda x : str(x)[:-3])

data = data

# 計算某品牌的銷售統計量，同學們還可以計算其他特徵的統計量

# 這裏要以 train 的數據計算統計量

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')

# 數據分桶 以 power 爲例

# 這時候我們的缺失值也進桶了，

# 爲什麼要做數據分桶呢，原因有很多，= =

# 1. 離散後稀疏向量內積乘法運算速度更快，計算結果也方便存儲，容易擴展；

# 2. 離散後的特徵對異常值更具魯棒性，如 age>30 爲 1 否則爲 0，對於年齡爲 200 的也不會對模型造成很大的干擾；

# 3. LR 屬於廣義線性模型，表達能力有限，經過離散化後，每個變量有單獨的權重，這相當於引入了非線性，能夠提升模型的表達能力，加大擬合；

# 4. 離散後特徵可以進行特徵交叉，提升表達能力，由 M+N 個變量編程 M*N 個變量，進一步引入非線形，提升了表達能力；

# 5. 特徵離散後模型更穩定，如用戶年齡區間，不會因爲用戶年齡長了一歲就變化

# 當然還有很多原因，LightGBM 在改進 XGBoost 時就增加了數據分桶，增強了模型的泛化性

bin = [i*10 for i in range(31)]

data['power_bin'] = pd.cut(data['power'], bin, labels=False)

data[['power_bin', 'power']].head()

[43]:

	power_bin	power
0	5.0	60
1	NaN	0
2	16.0	163
3	19.0	193
4	6.0	68

# 刪除不需要的數據

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

print(data.shape)

data.columns

(199037, 39)

[45]:

Index(['SaleID', 'bodyType', 'brand', 'fuelType', 'gearbox', 'kilometer',
       'model', 'name', 'notRepairedDamage', 'offerType', 'power', 'price',
       'seller', 'train', 'v_0', 'v_1', 'v_10', 'v_11', 'v_12', 'v_13', 'v_14',
       'v_2', 'v_3', 'v_4', 'v_5', 'v_6', 'v_7', 'v_8', 'v_9', 'used_time',
       'city', 'brand_amount', 'brand_price_average', 'brand_price_max',
       'brand_price_median', 'brand_price_min', 'brand_price_std',
       'brand_price_sum', 'power_bin'],
      dtype='object')

# 目前的數據其實已經可以給樹模型使用了，所以我們導出一下

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

# 我們可以再構造一份特徵給 LR NN 之類的模型用

# 之所以分開構造是因爲，不同模型對數據集的要求不同

# 我們看下數據分佈：

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

[47]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fe026cf0c18>

# 我們剛剛已經對 train 進行異常值處理了，但是現在還有這麼奇怪的分佈是因爲 test 中的 power 異常值，

# 所以我們其實剛剛 train 中的 power 異常值不刪爲好，可以用長尾分佈截斷來代替

Train_data['power'].plot.hist()

[48]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fe02d7a8eb8>

# 我們對其取 log，在做歸一化

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()

[49]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fe026c342b0>

# km 的比較正常，應該是已經做過分桶了

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

[50]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fe029ad2080>

# 所以我們可以直接做歸一化

data['kilometer'] = ((data['kilometer'] - np.min(data['kilometer'])) /

                        (np.max(data['kilometer']) - np.min(data['kilometer'])))

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

[51]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fe029b1d668>

# 除此之外 還有我們剛剛構造的統計量特徵：

# 'brand_amount', 'brand_price_average', 'brand_price_max',

# 'brand_price_median', 'brand_price_min', 'brand_price_std',

# 'brand_price_sum'

# 這裏不再一一舉例分析了，直接做變換，

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'])))

# 對類別特徵進行 OneEncoder

data = pd.get_dummies(data, columns=['model', 'brand', 'bodyType', 'fuelType',

                                     'gearbox', 'notRepairedDamage', 'power_bin'])

print(data.shape)

data.columns

(199037, 370)

[54]:

Index(['SaleID', 'kilometer', 'name', 'offerType', 'power', 'price', 'seller',
       'train', 'v_0', 'v_1',
       ...
       'power_bin_20.0', 'power_bin_21.0', 'power_bin_22.0', 'power_bin_23.0',
       'power_bin_24.0', 'power_bin_25.0', 'power_bin_26.0', 'power_bin_27.0',
       'power_bin_28.0', 'power_bin_29.0'],
      dtype='object', length=370)

# 這份數據可以給 LR 用

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

3.3.3 特徵篩選

1) 過濾式

# 相關性分析

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'))

0.572828519605
-0.408256970162
0.0581566100256
0.383490957606
0.259066833881
0.386910423934

# 當然也可以直接看圖

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)

[57]:

<matplotlib.axes._subplots.AxesSubplot at 0x7fe0283a6dd8>

零基礎入門數據分析 task3

Datawhale 零基礎入門數據挖掘-Task3 特徵工程¶

三、特徵工程目標

3.1 特徵工程目標

3.2 內容介紹

3.3 代碼示例

3.3.0 導入數據

3.3.1 刪除異常值

3.3.2 特徵構造

3.3.3 特徵篩選

1) 過濾式

再談23種設計模式（3）：行爲型模式（學習筆記）

Power Automate Desktop 安裝完，登錄後老是提示one driver 錯誤

微前端學習筆記(4):從微前端到微模塊之EMP與hel-micro方案探索

微前端學習筆記（1）：微前端總體架構概述，從微服務發微

985 碩士程序員，空窗 4 個月沒有 Offer！

一文搞懂 Spring 循環依賴

賽博鬥地主——使用大語言模型扮演Agent智能體玩牌類遊戲。

VScode右鍵打開(添加到右鍵)

記一次 .NET某工控視覺自動化系統卡死分析

WindowsServer--SQL Server搭建主從同步實現讀寫分離 - 事務性分發

PARL 強化學習框架學習

零基礎入門數據挖掘 task5

零基礎入門數據分析 task3

[Aha]鏢局運鏢

零基礎入門數據挖掘 task4

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

零基礎入門數據分析 task3

Datawhale 零基礎入門數據挖掘-Task3 特徵工程¶

三、 特徵工程目標

3.1 特徵工程目標

3.2 內容介紹

3.3 代碼示例

3.3.0 導入數據

3.3.1 刪除異常值

3.3.2 特徵構造

3.3.3 特徵篩選

1) 過濾式

三、特徵工程目標