Python代码之特征工程基础

1. 什么是特征工程

特征工程是指从原始数据中提取、转换和创建适合于模型训练的数据特征的过程。它是机器学习和深度学习中非常重要的一步，因为好的特征工程可以显著提高模型的性能。特征工程涉及从数据中提取有意义的信息，并将其转换为模型可以理解和使用的格式。常见的特征工程步骤包括数据清洗、特征选择、特征提取和特征变换。

2. 为什么特征工程很重要

特征工程的重要性在于它直接影响模型的性能。通过合适的特征工程，可以：

提高模型的准确性：好的特征可以显著提高模型的预测能力，因为它们能够捕捉数据中有意义的模式和关系。
缩短训练时间：通过减少数据的维度和复杂性，特征工程可以加快模型的训练速度。
提高模型的可解释性：特征工程可以帮助识别和使用更直观和解释性强的特征，使得模型的输出更容易理解。

3. 特征工程的步骤

数据收集：收集与问题相关的数据。这可能涉及从多个来源获取数据，如数据库、文件或在线API。

import pandas as pddata = pd.read_csv('data.csv')  # 从CSV文件中读取数据

数据清洗：处理缺失值、异常值和重复数据，确保数据的质量和一致性。

# 处理缺失值
data = data.dropna()  # 删除包含缺失值的行
# 或
data = data.fillna(data.mean())  # 使用均值填充缺失值

特征选择：选择对模型性能有显著影响的特征，删除冗余或不相关的特征。

from sklearn.feature_selection import SelectKBest, f_classifX = data.drop('target', axis=1)
y = data['target']
selector = SelectKBest(score_func=f_classif, k=10)  # 选择10个最佳特征
X_new = selector.fit_transform(X, y)

特征提取：从原始数据中提取新的特征。这可以包括从日期时间数据中提取年月日，或从文本数据中提取关键词等。

# 从日期时间数据中提取特征
data['year'] = pd.to_datetime(data['date']).dt.year
data['month'] = pd.to_datetime(data['date']).dt.month

特征变换：对特征进行转换，如标准化、归一化、编码等，以使其适合模型训练。

from sklearn.preprocessing import StandardScaler, OneHotEncoder# 数值特征标准化
scaler = StandardScaler()
data[['feature1', 'feature2']] = scaler.fit_transform(data[['feature1', 'feature2']])# 类别特征编码
encoder = OneHotEncoder()
encoded_features = encoder.fit_transform(data[['categorical_feature']]).toarray()
data = pd.concat([data, pd.DataFrame(encoded_features)], axis=1)

4. 特征工程案例

结合以上步骤，下面是一个完整的特征工程流程示例：

import pandas as pd
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.preprocessing import StandardScaler, OneHotEncoder# Sample data to simulate the process
data = pd.DataFrame({'date': ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04'],'feature1': [1.0, 2.0, 3.0, 4.0],'feature2': [10.0, 20.0, 30.0, 40.0],'categorical_feature': ['A', 'B', 'A', 'B'],'target': [0, 1, 0, 1]
})# 数据清洗
data = data.dropna()# 特征选择
X = data.drop('target', axis=1)
y = data['target']
selector = SelectKBest(score_func=f_classif, k='all')  # Selecting all features to demonstrate
X_new = selector.fit_transform(X.select_dtypes(include=[float, int]), y)# 特征提取
data['year'] = pd.to_datetime(data['date']).dt.year
data['month'] = pd.to_datetime(data['date']).dt.month# 特征变换
scaler = StandardScaler()
data[['feature1', 'feature2']] = scaler.fit_transform(data[['feature1', 'feature2']])encoder = OneHotEncoder(sparse=False)
encoded_features = encoder.fit_transform(data[['categorical_feature']])
encoded_features_df = pd.DataFrame(encoded_features, columns=encoder.get_feature_names_out(['categorical_feature']))data = pd.concat([data, encoded_features_df], axis=1)# 准备最终的特征集和标签
X_final = data.drop(['target', 'date', 'categorical_feature'], axis=1)
y_final = data['target']import ace_tools as tools; tools.display_dataframe_to_user(name="Final Data after Feature Engineering", dataframe=X_final)X_final.head(), y_final.head()

运行结果

Result
(   feature1  feature2  year  month  categorical_feature_A  \0 -1.341641 -1.341641  2023      1                    1.0   1 -0.447214 -0.447214  2023      1                    0.0   2  0.447214  0.447214  2023      1                    1.0   3  1.341641  1.341641  2023      1                    0.0   categorical_feature_B  0                    0.0  1                    1.0  2                    0.0  3                    1.0  ,0    01    12    03    1Name: target, dtype: int64)

Final Data after Feature Engineering