Datawhale数据挖掘新手入门-task3特征工程

一、前言

• 感谢Datawhale的给出的学习指南：https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.12281897.0.0.31a339a9nOnKro&postId=95501
• 下面的数据主要都是基于零基础入门数据挖掘 - 二手车交易价格预测的比赛：https://tianchi.aliyun.com/competition/entrance/231784/information

二、特征工程的目标

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

三、学习过程

1.数据导入

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

train = pd.read_csv('used_car_train_20200313.csv', sep=' ') 
test = pd.read_csv('used_car_testA_20200313.csv', sep=' ') 
print(train.shape) 
print(test.shape)

(150000, 31)
(50000, 30)

2.删除异常值

# 这里我包装了一个异常值处理的代码，可以随便调用。 
def outliers_proc(data, col_name, scale=3):    
    """
    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:
    """
    def box_plot_outliers(data_ser, box_scale):
        """
        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:        
        """
        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

# 我们可以删掉一些异常数据，以 power 为例。  
# 这里删不删同学可以自行判断 
# 但是要注意 test 的数据不能删 = = 不能掩耳盗铃是不是
train = outliers_proc(train, '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

• 在函数box_plot_outliers中利用分位数计算出数据中的异常大和异常小数据，并且以布尔值形式返回出来存放在rule_low和rule_up。

data_ser.quantile():计算p=0.5(默认)返回分位数。若括号里填写0.75，则代表的是计算p=0.75的分位数。

• 在函数outliers_proc中：
  1. index就是寻找离群点的索引，[]中就是判断元素是否有True，若有True就将索引放在index列表中。
  2. 后面就是检查删除的元素在数据的前面还是后面。运行之后发现，离群数据都在数据的末尾端，就是删除的是一些大的数据。

data_n.reset_index(drop=True, inplace=True):可以看做是更新索引值，但是不创建新的对象。

3.特征构造

# 训练集和测试集放在一起，方便构造特征 
train['train']=1 
test['train']=0 
data = pd.concat([train, test], ignore_index=True, sort=False)

data = pd.concat([train, test], ignore_index=True, sort=False):将train和test拼接在一起，不加入新的行不排序。

# 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.days

上面的代码是计算汽车的使用时间，并且以日为单位返回到data[‘used_time’]中

# 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； 
data['used_time'].isnull().sum()

15072

# 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，同学们还可以计算其他特征的统计量 
# 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')

• 上面的一组代码，是利用循环将一个一个品牌做统计，并放在all_info字典变量中，生成一个新的brand_fe变量中添加了新的列brand，最后将已经统计好的brand_fe与data做合并。

# 数据分桶 以 power 为例 
# 这时候我们的缺失值也进桶了， 
# 为什么要做数据分桶呢，原因有很多，= = 
# 1. 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； 
# 2. 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 
# 3. 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 
# 4. 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 
# 5. 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
bin = [i*10 for i in range(31)] 
data['power_bin'] = pd.cut(data['power'], bin, labels=False) 
data[['power_bin', 'power']].head()

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

• 上面的代码块代表将power数据分成一个一个区间，其中labels=False，则返回x中的数据在第几个bin中（从0开始），并放在一个新的power_bin列中，最后查看power与power_bin的头五行元素。

# 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

(199037, 39)





Index(['SaleID', 'name', 'model', 'brand', 'bodyType', 'fuelType', 'gearbox',
       'power', 'kilometer', 'notRepairedDamage', 'seller', 'offerType',
       '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', 'train', '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()

# 我们刚刚已经对 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， 
# 所以我们其实刚刚 train 中的 power 异常值不删为好，可以用长尾分布截断来代替 
train['power'].plot.hist()

# 我们对其取 log，在做归一化 
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()

preprocessing.MinMaxScaler():通过将每个特性缩放到给定的范围来转换特性。这个估计量是对每个特性分别进行缩放和转换，使得其在训练集上的给定范围内。

• 对数取log之后不会改变数据相对关系，并且能够缩小数据的绝对数值。在某种情况下，数据在值域中的不同区间的差异带来的影响不同。对数值少的部分差异敏感度比数值大的差异敏感度要搞。

• 数据归一化之后能够提升模型的收敛速度和提升模型的精度。

# km 的比较正常，应该是已经做过分桶了 
data['kilometer'].plot.hist()

# 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()

• 这里发现kilometer的图形归一化前和归一化后并没有太大的区别。

# 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_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'])))

# 对类别特征进行 OneEncoder 
data = pd.get_dummies(data, columns=['model', 'brand', 'bodyType', 'fuelType',
                                     'gearbox', 'notRepairedDamage', 'power_bin'])

pd.get_dummies():将分类变量转换为哑变量/指标变量。这里只将columns中的列元素转换。

• 我个人理解是将数据转换成（类似于）0和1的矩阵，既是符合行头又符合列头的元素就标记为1，否则为0

print(data.shape) 
data.columns

(199037, 370)





Index(['SaleID', 'name', 'power', 'kilometer', 'seller', 'offerType', 'price',
       'v_0', 'v_1', 'v_2',
       ...
       '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)

# 这份数据可以给 LR 用 
data.to_csv('data_for_lr.csv', index=0)

4、特征筛选 — — 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'))

0.5728285196051496
-0.4082569701616764
0.058156610025581514
0.3834909576057687
0.259066833880992
0.38691042393409447

# 当然也可以直接看图 
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)

三、小结

在这task中，主要是做对数据的异常删除和特征构造。将数据做好处理，为下面建立合适的模型做好铺垫。

四、参考文献

特征工程是比赛中最至关重要的的一块，特别的传统的比赛，大家的模型可能都差不多，调参带来的效果增幅是 非常有限的，但特征工程的好坏往往会决定了最终的排名和成绩。
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。由于特性的 匿名性其实限制了很多对于特征的处理，当然有些时候用 NN 去提取一些特征也会达到意想不到的良好效果。

对于知道特征含义（非匿名）的特征工程，特别是在工业类型比赛中，会基于信号处理，频域提取，丰度，偏度 等构建更为有实际意义的特征，这就是结合背景的特征构建，在推荐系统中也是这样的，各种类型点击率统计， 各时段统计，加用户属性的统计等等，这样一种特征构建往往要深入分析背后的业务逻辑或者说物理原理，从而 才能更好的找到 magic。
当然特征工程其实是和模型结合在一起的，这就是为什么要为 LR NN 做分桶和特征归一化的原因，而对于特征 的处理效果和特征重要性等往往要通过模型来验证。
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。

Task 3-特征工程 END.

— By: 阿泽

PS：复旦大学计算机研究生

知乎：阿泽 https://www.zhihu.com/people/is-aze（主要面向初学者的知识整理）

关于Datawhale：

Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀 学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale 以“for the learner，和学习 者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时 Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成 长，建立起人与人，人与知识，人与企业和人与未来的联结。