├── README.md └── feature_engineering.py /README.md: -------------------------------------------------------------------------------- 1 | # sklearn-feature-engineering 2 | ## 前言 3 | 博主最近参加了几个kaggle比赛，发现做特征工程是其中很重要的一部分，而sklearn是做特征工程（做模型调算法）最常用也是最好用的工具没有之一，因此将自己的一些经验做一个总结分享给大家，希望对大家有所帮助。大家也可以到我的博客上看 [https://blog.csdn.net/fuqiuai/article/details/79496005](https://blog.csdn.net/fuqiuai/article/details/79496005) 4 | 5 | #### 1. 什么是特征工程？ 6 | #### 2. 数据预处理 7 | #### 3. 特征选择 8 | #### 4. 降维 9 | 10 | ## 1. 什么是特征工程？ 11 | 有这么一句话在业界广泛流传，**数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已**。那特征工程到底是什么呢？顾名思义，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。 12 | 13 |
特征工程主要分为三部分： 14 | 1. **数据预处理** 对应的sklearn包：[sklearn-Processing data](http://scikit-learn.org/stable/modules/preprocessing.html#non-linear-transformation) 15 | 1. **特征选择** 对应的sklearn包： [sklearn-Feature selection](http://scikit-learn.org/stable/modules/feature_selection.html) 16 | 1. **降维** 对应的sklearn包： [sklearn-Dimensionality reduction](http://scikit-learn.org/stable/modules/decomposition.html#decompositions) 17 | 18 |
本文中使用sklearn中的IRIS（鸢尾花）数据集来对特征处理功能进行说明，首先导入IRIS数据集的代码如下： 19 | ``` 20 | 1 from sklearn.datasets import load_iris 21 | 2 22 | 3 #导入IRIS数据集 23 | 4 iris = load_iris() 24 | 5 25 | 6 #特征矩阵 26 | 7 iris.data 27 | 8 28 | 9 #目标向量 29 | 10 iris.target 30 | 31 | ``` 32 | 33 | 34 | ## 2. 数据预处理 35 | 通过特征提取，我们能得到未经处理的特征，这时的特征可能有以下问题： 36 | 37 | - 不属于同一量纲：即特征的规格不一样，不能够放在一起比较。**无量纲化**可以解决这一问题。 38 | - 信息冗余：对于某些定量特征，其包含的有效信息为区间划分，例如学习成绩，假若只关心“及格”或不“及格”，那么需要将定量的考分，转换成“1”和“0”表示及格和未及格。**二值化**可以解决这一问题。 39 | - 定性特征不能直接使用：通常使用哑编码的方式将定性特征转换为定量特征，假设有N种定性值，则将这一个特征扩展为N种特征，当原始特征值为第i种定性值时，第i个扩展特征赋值为1，其他扩展特征赋值为0。哑编码的方式相比直接指定的方式，不用增加调参的工作，对于线性模型来说，使用**哑编码**后的特征可达到非线性的效果。 40 | - 存在缺失值：**填充缺失值**。 41 | - 信息利用率低：不同的机器学习算法和模型对数据中信息的利用是不同的，之前提到在线性模型中，使用对定性特征哑编码可以达到非线性的效果。类似地，对定量变量多项式化，或者进行其他的**数据变换**，都能达到非线性的效果。 42 | 43 | 我们使用sklearn中的preproccessing库来进行数据预处理。 44 | 45 | ### 2.1 无量纲化 46 | 无量纲化使不同规格的数据转换到同一规格 47 | 48 | #### 2.1.1 标准化（也叫Z-score standardization）（对列向量处理） 49 | 将服从正态分布的特征值转换成标准正态分布，标准化需要计算特征的均值和标准差，公式表达为： 50 |
![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502113957732-1062097580.png) 51 |
使用preproccessing库的StandardScaler类对数据进行标准化的代码如下： 52 | ``` 53 | 1 from sklearn.preprocessing import StandardScaler 54 | 2 55 | 3 #标准化，返回值为标准化后的数据 56 | 4 StandardScaler().fit_transform(iris.data) 57 | ``` 58 | 59 | #### 2.1.2 区间缩放（对列向量处理） 60 | 区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为： 61 |
![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502113301013-1555489078.png) 62 |
使用preproccessing库的MinMaxScaler类对数据进行区间缩放的代码如下： 63 | ``` 64 | 1 from sklearn.preprocessing import MinMaxScaler 65 | 2 66 | 3 #区间缩放，返回值为缩放到[0, 1]区间的数据 67 | 4 MinMaxScaler().fit_transform(iris.data) 68 | ``` 69 | 70 | #### 在什么时候使用标准化比较好，什么时候区间缩放比较好呢？ 71 | 1、在后续的分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA、LDA这些需要用到协方差分析进行降维的时候，同时数据分布可以近似为正太分布，标准化方法(Z-score standardization)表现更好。 72 | 2、在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用区间缩放法或其他归一化方法。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围。 73 | 74 | #### 2.1.3 归一化（对行向量处理） 75 | 归一化目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。规则为l2的归一化公式如下： 76 |
![](http://images2015.cnblogs.com/blog/927391/201607/927391-20160719002904919-1602367496.png) 77 |
使用preproccessing库的Normalizer类对数据进行归一化的代码如下： 78 | ``` 79 | 1 from sklearn.preprocessing import Normalizer 80 | 2 81 | 3 #归一化，返回值为归一化后的数据 82 | 4 Normalizer().fit_transform(iris.data) 83 | ``` 84 | 85 | ### 2.2 对定量特征二值化（对列向量处理） 86 | **定性与定量区别** 87 |
定性：博主很胖，博主很瘦 88 |
定量：博主有80kg，博主有60kg 89 |
一般定性都会有相关的描述词，定量的描述都是可以用数字来量化处理 90 |

定量特征二值化的核心在于设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0，公式表达如下： 91 |
![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502115121216-456946808.png) 92 |
使用preproccessing库的Binarizer类对数据进行二值化的代码如下： 93 | ``` 94 | 1 from sklearn.preprocessing import Binarizer 95 | 2 96 | 3 #二值化，阈值设置为3，返回值为二值化后的数据 97 | 4 Binarizer(threshold=3).fit_transform(iris.data) 98 | ``` 99 | 100 | ### 2.3 对定性特征哑编码（对列向量处理） 101 | 因为有些特征是用文字分类表达的，或者说将这些类转化为数字，但是数字与数字之间是没有大小关系的，纯粹的分类标记，这时候就需要用哑编码对其进行编码。IRIS数据集的特征皆为定量特征，使用其目标值进行哑编码（实际上是不需要的）。使用preproccessing库的OneHotEncoder类对数据进行哑编码的代码如下： 102 | ``` 103 | 1 from sklearn.preprocessing import OneHotEncoder 104 | 2 105 | 3 #哑编码，对IRIS数据集的目标值，返回值为哑编码后的数据 106 | 4 OneHotEncoder().fit_transform(iris.target.reshape((-1,1))) 107 | ``` 108 | 109 | ### 2.4 缺失值计算（对列向量处理） 110 | 由于IRIS数据集没有缺失值，故对数据集新增一个样本，4个特征均赋值为NaN，表示数据缺失。使用preproccessing库的Imputer类对数据进行缺失值计算的代码如下： 111 | ``` 112 | 1 from numpy import vstack, array, nan 113 | 2 from sklearn.preprocessing import Imputer 114 | 3 115 | 4 #缺失值计算，返回值为计算缺失值后的数据 116 | 5 #参数missing_value为缺失值的表示形式，默认为NaN 117 | 6 #参数strategy为缺失值填充方式，默认为mean（均值） 118 | 7 Imputer().fit_transform(vstack((array([nan, nan, nan, nan]), iris.data))) 119 | ``` 120 | 121 | ### 2.5 数据变换 122 | 123 | #### 2.5.1 多项式变换（对行向量处理） 124 | 常见的数据变换有基于多项式的、基于指数函数的、基于对数函数的。4个特征，度为2的多项式转换公式如下： 125 |
![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502134944451-270339895.png) 126 |
使用preproccessing库的PolynomialFeatures类对数据进行多项式转换的代码如下： 127 | ``` 128 | 1 from sklearn.preprocessing import PolynomialFeatures 129 | 2 130 | 3 #多项式转换 131 | 4 #参数degree为度，默认值为2 132 | 5 PolynomialFeatures().fit_transform(iris.data) 133 | ``` 134 | 135 | #### 2.5.1 自定义变换 136 | 基于单变元函数的数据变换可以使用一个统一的方式完成，使用preproccessing库的FunctionTransformer对数据进行对数函数转换的代码如下： 137 | ``` 138 | 1 from numpy import log1p 139 | 2 from sklearn.preprocessing import FunctionTransformer 140 | 3 141 | 4 #自定义转换函数为对数函数的数据变换 142 | 5 #第一个参数是单变元函数 143 | 6 FunctionTransformer(log1p).fit_transform(iris.data) 144 | ``` 145 | 146 | ### 总结 147 | |类 | 功能 | 说明| 148 | |- | :-: | -: | 149 | |StandardScaler | 无量纲化 | 标准化，基于特征矩阵的列，将特征值转换至服从标准正态分布| 150 | |MinMaxScaler | 无量纲化 | 区间缩放，基于最大最小值，将特征值转换到[0, 1]区间上| 151 | |Normalizer | 归一化 | 基于特征矩阵的行，将样本向量转换为“单位向量”|| 152 | |Binarizer | 二值化 | 基于给定阈值，将定量特征按阈值划分| 153 | |OneHotEncoder | 哑编码 | 将定性数据编码为定量数据| 154 | |Imputer | 缺失值计算 | 计算缺失值，缺失值可填充为均值等| 155 | |PolynomialFeatures | 多项式数据转换 | 多项式数据转换| 156 | |FunctionTransformer | 自定义单元数据转换 | 使用单变元的函数来转换数据| 157 | 158 | ## 3. 特征选择 159 | 当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征： 160 | 161 | - 特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。 162 | - 特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。 163 | 164 | 根据特征选择的形式又可以将特征选择方法分为3种： 165 | 166 | - **Filter：过滤法**，不用考虑后续学习器，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。 167 | - **Wrapper：包装法**，需考虑后续学习器，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。 168 | - **Embedded：嵌入法**，是Filter与Wrapper方法的结合。先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。 169 | 170 | 我们使用sklearn中的feature_selection库来进行特征选择。 171 | 172 | ### 3.1 Filter 173 | #### 3.1.1 方差选择法 174 | 使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。使用feature_selection库的VarianceThreshold类来选择特征的代码如下： 175 | ``` 176 | 1 from sklearn.feature_selection import VarianceThreshold 177 | 2 178 | 3 #方差选择法，返回值为特征选择后的数据 179 | 4 #参数threshold为方差的阈值 180 | 5 VarianceThreshold(threshold=3).fit_transform(iris.data) 181 | ``` 182 | 183 | #### 3.1.2 卡方检验 184 | 检验特征对标签的相关性，选择其中K个与标签最相关的特征。使用feature_selection库的SelectKBest类结合卡方检验来选择特征的代码如下： 185 | ``` 186 | 1 from sklearn.feature_selection import SelectKBest 187 | 2 from sklearn.feature_selection import chi2 188 | 3 189 | 4 #选择K个最好的特征，返回选择特征后的数据 190 | 5 SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target) 191 | ``` 192 | 193 | ### 3.2 Wrapper 194 | #### 3.2.1 递归特征消除法 195 | 递归消除特征法使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。使用feature_selection库的RFE类来选择特征的代码如下： 196 | ``` 197 | 1 from sklearn.feature_selection import RFE 198 | 2 from sklearn.linear_model import LogisticRegression 199 | 3 200 | 4 #递归特征消除法，返回特征选择后的数据 201 | 5 #参数estimator为基模型 202 | 6 #参数n_features_to_select为选择的特征个数 203 | 7 RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target) 204 | ``` 205 | 206 | ### 3.3 Embedded 207 | #### 3.3.1 基于惩罚项的特征选择法 208 | 使用带惩罚项的基模型，除了筛选出特征外，同时也进行了降维。使用feature_selection库的SelectFromModel类结合带L1惩罚项的逻辑回归模型，来选择特征的代码如下： 209 | ``` 210 | 1 from sklearn.feature_selection import SelectFromModel 211 | 2 from sklearn.linear_model import LogisticRegression 212 | 3 213 | 4 #带L1惩罚项的逻辑回归作为基模型的特征选择 214 | 5 SelectFromModel(LogisticRegression(penalty="l1", C=0.1)).fit_transform(iris.data, iris.target) 215 | ``` 216 | #### 3.3.2 基于树模型的特征选择法 217 | 树模型中GBDT可用来作为基模型进行特征选择，使用feature_selection库的SelectFromModel类结合GBDT模型，来选择特征的代码如下： 218 | ``` 219 | 1 from sklearn.feature_selection import SelectFromModel 220 | 2 from sklearn.ensemble import GradientBoostingClassifier 221 | 3 222 | 4 #GBDT作为基模型的特征选择 223 | 5 SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data, iris.target) 224 | ``` 225 | 226 | ### 总结 227 | |类 | 所属方式 | 说明| 228 | |- | :-: | -: | 229 | |VarianceThreshold |Filter |方差选择法 230 | |SelectKBest |Filter |可选关联系数、卡方校验、最大信息系数作为得分计算的方法 231 | |RFE |Wrapper |递归地训练基模型，将权值系数较小的特征从特征集合中消除 232 | |SelectFromModel |Embedded |训练基模型，选择权值系数较高的特征 233 | 234 | ## 4. 降维 235 | 当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，导致计算量大，训练时间长的问题，因此降低特征矩阵维度也是必不可少的。常见的降维方法除了以上提到的基于L1惩罚项的模型以外，另外还有主成分分析法（PCA）和线性判别分析（LDA），线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点，其本质是要将原始的样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：**PCA是为了让映射后的样本具有最大的发散性；而LDA是为了让映射后的样本有最好的分类性能**。所以说PCA是一种无监督的降维方法，而LDA是一种有监督的降维方法。 236 | 237 | ### 4.1 主成分分析法（PCA） 238 | 使用decomposition库的PCA类选择特征的代码如下： 239 | ``` 240 | 1 from sklearn.decomposition import PCA 241 | 2 242 | 3 #主成分分析法，返回降维后的数据 243 | 4 #参数n_components为主成分数目 244 | 5 PCA(n_components=2).fit_transform(iris.data) 245 | ``` 246 | 247 | ### 4.2 线性判别分析法（LDA） 248 | 使用LDA进行降维的代码如下： 249 | ``` 250 | 1 from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA 251 | 2 252 | 3 #线性判别分析法，返回降维后的数据 253 | 4 #参数n_components为降维后的维数 254 | 5 LDA(n_components=2).fit_transform(iris.data, iris.target) 255 | ``` 256 | 257 | ### 总结 258 | |库 | 类 | 说明| 259 | |- | :-: | -: | 260 | |decomposition |PCA |主成分分析法 261 | |lda |LDA |线性判别分析法 262 | 263 | 264 |

*注：以上代码均在[feature_engineering.py](https://github.com/fuqiuai/kaggle-feature-engineering/blob/master/feature_engineering.py)中实现* 265 | -------------------------------------------------------------------------------- /feature_engineering.py: -------------------------------------------------------------------------------- 1 | # encoding=utf-8 2 | ''' 3 | 用sklearn做特征工程，分为三部分： 4 | 1.数据预处理 5 | 2.特征选择 6 | 3.降维 7 | ''' 8 | 9 | import pandas as pd 10 | import numpy as np 11 | from numpy import vstack, array, nan 12 | from sklearn.datasets import load_iris 13 | 14 | from sklearn import preprocessing 15 | from sklearn import feature_selection 16 | from sklearn.linear_model import LogisticRegression 17 | from sklearn.ensemble import GradientBoostingClassifier 18 | from sklearn.decomposition import PCA 19 | from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA 20 | 21 | if __name__ == '__main__': 22 | 23 | # 导入IRIS数据集 24 | iris = load_iris() 25 | features = iris.data 26 | labels = iris.target 27 | 28 | ''' 29 | 1.数据预处理 30 | ''' 31 | 32 | # 1.1 无量纲化：将不同规格的数据转换到同一规格 33 | # 1.1.1 标准化：将服从正态分布的特征值转换成标准正态分布（对列向量处理） 34 | # print(np.mean(features, axis=0)) 35 | # print(np.std(features, axis=0)) 36 | features_new = preprocessing.StandardScaler().fit_transform(features) 37 | # print(np.mean(features_new, axis=0)) 38 | # print(np.std(features_new, axis=0)) 39 | # 1.1.2 区间缩放：将特征值缩放到[0, 1]区间的数据（对列向量处理） 40 | features_new = preprocessing.MinMaxScaler().fit_transform(features) 41 | # 1.1.3 归一化：将行向量转化为“单位向量”（对每个样本处理） 42 | features_new = preprocessing.Normalizer().fit_transform(features) 43 | 44 | # 1.2 对定量特征二值化:设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0 45 | features_new = preprocessing.Binarizer(threshold=3).fit_transform(features) 46 | 47 | # 1.3 对定性（分类）特征编码(也可用pandas.get_dummies函数) 48 | enc = preprocessing.OneHotEncoder() 49 | enc.fit([[0, 0, 3], 50 | [1, 1, 0], 51 | [0, 2, 1], 52 | [1, 0, 2]]) 53 | # print(enc.transform([[0, 1, 3]])) 54 | # print(enc.transform([[0, 1, 3]]).toarray()) 55 | 56 | # 1.4 缺失值计算(也可用pandas.fillna函数) 57 | imp = preprocessing.Imputer(missing_values='NaN', strategy='mean', axis=0) 58 | features_new = imp.fit_transform(vstack((array([nan, nan, nan, nan]), features))) 59 | 60 | # 1.5 数据变换 61 | # 1.5.1 基于多项式变换（对行变量处理） 62 | features_new = preprocessing.PolynomialFeatures().fit_transform(features) 63 | # 1.5.2 基于自定义函数变换，以log函数为例 64 | features_new = preprocessing.FunctionTransformer(np.log1p).fit_transform(features) 65 | 66 | ''' 67 | 2.特征选择 68 | ''' 69 | # 2.1 Filter 70 | # 2.1.1 方差选择法，选择方差大于阈值的特征 71 | features_new = feature_selection.VarianceThreshold(threshold=0.3).fit_transform(features) 72 | # 2.1.2 卡方检验,选择K个与标签最相关的特征 73 | features_new = feature_selection.SelectKBest(feature_selection.chi2, k=3).fit_transform(features, labels) 74 | 75 | # 2.2 Wrapper 76 | # 2.2.1 递归特征消除法，这里选择逻辑回归作为基模型，n_features_to_select为选择的特征个数 77 | features_new = feature_selection.RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(features, labels) 78 | 79 | # 2.3 Embedded 80 | # 2.3.1 基于惩罚项的特征选择法,这里选择带L1惩罚项的逻辑回归作为基模型 81 | features_new = feature_selection.SelectFromModel(LogisticRegression(penalty="l1", C=0.1)).fit_transform(features, labels) 82 | # 2.3.2 基于树模型的特征选择法,这里选择GBDT模型作为基模型 83 | features_new = feature_selection.SelectFromModel(GradientBoostingClassifier()).fit_transform(features, labels) 84 | 85 | ''' 86 | 3.降维 87 | ''' 88 | # 3.1 主成分分析法（PCA）,参数n_components为降维后的维数 89 | features_new = PCA(n_components=2).fit_transform(features) 90 | 91 | # 3.2 线性判别分析法（LDA）,参数n_components为降维后的维数 92 | features_new = LDA(n_components=2).fit_transform(features, labels) --------------------------------------------------------------------------------