創(chuàng)造新的特征是一件十分困難的事情，需要豐富的專業(yè)知識和大量的時(shí)間。機(jī)器學(xué)習(xí)應(yīng)用的本質(zhì)基本上就是特征工程?！狝ndrew Ng

業(yè)內(nèi)常說數(shù)據(jù)決定了模型效果上限，而機(jī)器學(xué)習(xí)算法是通過數(shù)據(jù)特征做出預(yù)測的，好的特征可以顯著地提升模型效果。這意味著通過特征生成（即從數(shù)據(jù)設(shè)計(jì)加工出模型可用特征），是特征工程相當(dāng)關(guān)鍵的一步。

本文從特征生成作用、特征生成的方法（人工設(shè)計(jì)、自動(dòng)化特征生成）展開闡述并附上代碼。

1 特征生成的作用

特征生成是特征提取中的重要一步，作用在于：

增加特征的表達(dá)能力，提升模型效果；(如體重除以身高就是表達(dá)健康情況的重要特征，而單純看身高或體重，對健康情況表達(dá)就有限。)

可以融入業(yè)務(wù)上的理解設(shè)計(jì)特征，增加模型的可解釋性；

2 一鍵數(shù)據(jù)情況分析

本文示例的數(shù)據(jù)集是客戶的資金變動(dòng)情況，如下數(shù)據(jù)字典：

cust_no：客戶編號；I1 :性別；I2：年齡；E1：開戶日期； B6 ：近期轉(zhuǎn)賬日期；C1 (后綴_fir表示上個(gè)月)：存款；C2：存款產(chǎn)品數(shù)； X1：理財(cái)存款；X2：結(jié)構(gòu)性存款； label：資金情況上升下降情況。

這里安利一個(gè)超實(shí)用Python庫，可以一鍵數(shù)據(jù)分析（數(shù)據(jù)概況、缺失、相關(guān)性、異常值等等），方便結(jié)合數(shù)據(jù)分析報(bào)告做特征生成。

#一鍵數(shù)據(jù)分析 importpandas_profiling pandas_profiling.ProfileReport(df)

3 特征生成方法(手動(dòng))

特征生成方法可以分為兩類：聚合方式、轉(zhuǎn)換方式。

3.1 聚合方式

聚合方式是指對存在一對多的字段，將其對應(yīng)多條記錄分組聚合后統(tǒng)計(jì)平均值、計(jì)數(shù)、最大值等數(shù)據(jù)特征。如以上述數(shù)據(jù)集，同一cust_no對應(yīng)多條記錄，通過對cust_no(客戶編號)做分組聚合，統(tǒng)計(jì)C1字段個(gè)數(shù)、唯一數(shù)、平均值、中位數(shù)、標(biāo)準(zhǔn)差、總和、最大、最小值，最終得到按每個(gè)cust_no統(tǒng)計(jì)的C1平均值、最大值等特征。

#以cust_no做聚合，C1字段統(tǒng)計(jì)個(gè)數(shù)、唯一數(shù)、平均值、中位數(shù)、標(biāo)準(zhǔn)差、總和、最大、最小值 df.groupby('cust_no').C1.agg(['count','nunique','mean','median','std','sum','max','min'])

此外還可以pandas自定義聚合函數(shù)生成特征，比如加工聚合元素的平方和：

#自定義分組聚合統(tǒng)計(jì)函數(shù) defx2_sum(group): returnsum(group**2) df.groupby('cust_no').C1.apply(x2_sum)

3.2 轉(zhuǎn)換方式

轉(zhuǎn)換方式是指對字段間做加減乘除等運(yùn)算生成數(shù)據(jù)特征的過程，對不同字段類型有不同轉(zhuǎn)換方式。

3.2.1 數(shù)值類型

加減乘除多個(gè)字段做運(yùn)算生成新的特征，這通常需要結(jié)合業(yè)務(wù)層面的理解以及數(shù)據(jù)分布的情況，以生成較優(yōu)的特征集。

importnumpyasnp #前后兩個(gè)月資金和 df['C1+C1_fir']=df['C1']+df['C1_fir'] #前后兩個(gè)月資金差異 df['C1-C1_fir']=df['C1']-df['C1_fir'] #產(chǎn)品數(shù)*資金 df['C1*C2']=df['C1']*df['C2'] #前后兩個(gè)月資金變化率 df['C1/C1_fir']=df['C1']/df['C1_fir']-1 df.head()

多個(gè)列統(tǒng)計(jì)直接用聚合函數(shù)統(tǒng)計(jì)多列的方差、均值等

importnumpyasnp df['C1_sum']=np.sum(df[['C1_fir','C1']],axis=1) df['C1_var']=np.var(df[['C1_fir','C1']],axis=1) df['C1_max']=np.max(df[['C1_fir','C1']],axis=1) df['C1_min']=np.min(df[['C1_fir','C1']],axis=1) df['C1-C1_fir_abs']=np.abs(df['C1-C1_fir']) df.head()

排名編碼特征按特征值對全體樣本進(jìn)行排序，以排序序號作為特征值。這種特征對異常點(diǎn)不敏感，也不容易導(dǎo)致特征值沖突。

#排序特征 df['C1_rank']=df['C1'].rank(ascending=0,method='dense') df.head()

3.2.2 字符類型

截取當(dāng)字符類型的值過多，通?？蓪ψ址愋妥兞孔鼋厝?，以減少模型過擬合。如具體的家庭住址，可以截取字符串到城市級的粒度。

字符長度統(tǒng)計(jì)字符串長度。如轉(zhuǎn)賬場景中，轉(zhuǎn)賬留言的字?jǐn)?shù)某些程度可以刻畫這筆轉(zhuǎn)賬的類型。

頻次通過統(tǒng)計(jì)字符出現(xiàn)頻次。如欺詐場景中地址出現(xiàn)次數(shù)越多，越有可能是團(tuán)伙欺詐。

#字符特征 #由于沒有合適的例子，這邊只是用代碼實(shí)現(xiàn)邏輯，加工的字段并無含義。 #截取第一位字符串 df['I1_0']=df['I1'].map(lambdax:str(x)[:1]) #字符長度 df['I1_len']=df['I1'].apply(lambdax:len(str(x))) display(df.head()) #字符串頻次 df['I1'].value_counts()

3.2.3 日期類型

常用的有計(jì)算日期間隔、周幾、幾點(diǎn)等等。

#日期類型 df['E1_B6_interval']=(df.E1.astype('datetime64[ns]')-df.B6.astype('datetime64[ns]')).map(lambdax:x.days) df['E1_is_month_end']=pd.to_datetime(df.E1).map(lambdax:x.is_month_end) df['E1_dayofweek']=df.E1.astype('datetime64[ns]').dt.dayofweek df['B6_hour']=df.B6.astype('datetime64[ns]').dt.hour df.head()

4 特征生成方法(自動(dòng)化)

傳統(tǒng)的特征工程方法通過人工構(gòu)建特征，這是一個(gè)繁瑣、耗時(shí)且容易出錯(cuò)的過程。自動(dòng)化特征工程是通過Fearturetools等工具，從一組相關(guān)數(shù)據(jù)表中自動(dòng)生成有用的特征的過程。對比人工生成特征會(huì)更為高效，可重復(fù)性更高，能夠更快地構(gòu)建模型。

4.1 FeatureTools上手

Featuretools是一個(gè)用于執(zhí)行自動(dòng)化特征工程的開源庫，它有基本的3個(gè)概念：1）Feature Primitives(特征基元)：生成特征的常用方法，分為聚合(agg_primitives)、轉(zhuǎn)換(trans_primitives)的方式?？赏ㄟ^如下代碼列出featuretools的特征加工方法及簡介。

importfeaturetoolsasft ft.list_primitives()

2）Entity(實(shí)體)可以被看作類似Pandas DataFrame, 多個(gè)實(shí)體的集合稱為Entityset。實(shí)體間可以根據(jù)關(guān)聯(lián)鍵添加關(guān)聯(lián)關(guān)系Relationship。

#df1為原始的特征數(shù)據(jù) df1=df.drop('label',axis=1) #df2為客戶清單(cust_no唯一值) df2=df[['cust_no']].drop_duplicates() df2.head() #定義數(shù)據(jù)集 es=ft.EntitySet(id='dfs') #增加一個(gè)df1數(shù)據(jù)框?qū)嶓w es.entity_from_dataframe(entity_id='df1', dataframe=df1, index='id', make_index=True) #增加一個(gè)df2數(shù)據(jù)實(shí)體 es.entity_from_dataframe(entity_id='df2', dataframe=df2, index='cust_no') #添加實(shí)體間關(guān)系：通過 cust_no鍵關(guān)聯(lián) df_1 和 df 2實(shí)體 relation1=ft.Relationship(es['df2']['cust_no'],es['df1']['cust_no']) es=es.add_relationship(relation1)

3）dfs(深度特征合成)：是從多個(gè)數(shù)據(jù)集創(chuàng)建新特征的過程，可以通過設(shè)置搜索的最大深度(max_depth)來控制所特征生成的復(fù)雜性

##運(yùn)行DFS特征衍生 features_matrix,feature_names=ft.dfs(entityset=es, target_entity='df2', relationships=[relation1], trans_primitives=['divide_numeric','multiply_numeric','subtract_numeric'], agg_primitives=['sum'], max_depth=2,n_jobs=1,verbose=-1)

4.2 FeatureTools問題點(diǎn)

4.2.1 內(nèi)存溢出問題Fearturetools是通過工程層面暴力生成所有特征的過程，當(dāng)數(shù)據(jù)量大的時(shí)候，容易造成內(nèi)存溢出。解決這個(gè)問題除了升級服務(wù)器內(nèi)存，減少njobs，還有一個(gè)常用的是通過只選擇重要的特征進(jìn)行暴力衍生特征。

4.2.2 特征維度爆炸當(dāng)原始特征數(shù)量多，或max_depth、特征基元的種類設(shè)定較大，F(xiàn)earturetools生成的特征數(shù)量巨大，容易維度爆炸。這是就需要考慮到特征選擇、特征降維。

原文標(biāo)題：一文歸納Python特征生成方法(全)

文章出處：【微信公眾號：數(shù)據(jù)分析與開發(fā)】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq