特征转换
一、连续型变量
1.1 连续变量无量纲化
无量纲化： 使不同规格尺度的数据转化统一规格尺度（将数据单位统一） 无量纲化方法：标准化, 区间所方法123标准化： 将连续性变量转变为 均值0 标准差1 的变量
x′=x−x¯¯¯σ
其中x¯¯¯ 是均值，σ 是标准差
代码： #对 Amount字段--均值为0，方差为1标准化from sklearn import preprocessing std = preprocessing.StandardScaler() #StandardScalerAmount = RFM['Amount'].values.reshape(-1,1) std.fit(Amount) RFM['Amount_std'] = std.transform(Amount) RFM.head(5)区间缩放法：把原始的连续型变量转换为范围在[a,b]或者 [0,1] 之间的变量
x′=x−min(x)max(x)−min(x)
代码： #对 Amount字段--[0,1]区间归一化 from sklearn import preprocessing MinMaxscaler = preprocessing.MinMaxscaler() #MinMaxscalerAmount = RFM['Amount'].values.reshape(-1,1) MinMaxscaler.fit(Amount) #拟合(训练)RFM['Amount_range'] = MinMaxscaler.transform(Amount) RFM.head(5)1.2 连续变量数据变换
数据变换：通过函数变换改变原始数据的分布 目 的： 数据从无关系 -> 有关系 呈偏态分布-->变换后差异拉开 让数据符合模型理论所需要的假设，然后对其分析，例如：变换后数据呈正态分布12345数据变化方法：
logX Ine等 对数函数变换x′=ln(x) box-cox变换 ：自动寻找最佳正态分布变换函数的方法代码1： #对 Amount字段--log 变换import numpy as np RFM['Amount_log'] = np.log(RFM['Amount']) RFM,head(5) 代码2： #对 Amount字段--sqrt (平方根) 变换import numpy as np RFM['Amount_sqrt'] = np.sqrt(RFM['Amount']) RFM,head(5)1.3 连续变量离散化
目的：方便探索数据相关性 减少异常数据对模型的干扰 为模型引入非线性，提升模型预测能力 离散后，可进行特征交叉组合，又M+N 变成 M*N 数据离散化方法： 非监督离散方法： 自定义规则， 等宽方法， 等频/等深方法非监督离散方法： #对 Amount字段--自定义区间 离散化 cut_points = [0,200,500,800,1000] RFM['Amount_bin'] = pd.cut(RFM['Amount'],bin = cut_points) RFM,head(5) #对 Amount字段--等宽 离散化 RFM['Amount_width_bin'] = pd.cut(RFM.Amount,20) #分成20等分 RFM,head(5) grouped = RFM.groupby('Amount_width_bin') grouped['CardID'].count() #对 Amount字段--等深 离散化 RFM['Amount_depth_bin'] = pd.qcut(RFM.Amount,5) #分成5人的等分约20% RFM,head(5) grouped = RFM.groupby('Amount_depth_bin') grouped['CardID'].count()有监督离散方法：决策树 离散化后的目标分类纯度最高（对目标有很好的区分能力） 一种特殊的离散化方法： 二值化： 把连续型变量分割为0/1（是/否） 例如：是否大于18岁（是/否） Rounding（取整）： 本质上时一种类似‘等距方法’的离散
二、 类别变量编码
类别变量编码：
类别型变量----编码成---> 数值型变量12目的：
机器学习算法 无法处理类别型变量，必须转换为数值型变量 一定程度起到了扩充特征的作用（构造了新的特征）123
one-hot 编码（独热编码）count-Encoding频数编码 （可以去量纲化，秩序，归一化）Target encoding二分类 用目标变量中的某一类的比例来编码代码：import pandas as pd #导入的数据源于 特征构造trade = pd.read_csv('./data/transaction.txt') trade['Date'] = pd.to_datetime(trade['Date']) RFM = trade.groupby('CardID').egg({'Date':'max','CardID':'count','Amount':'sum'}) RFM.head() Onehot 编码（独热编码） #使用pandasonehot = pd.get_dummies(RFM['CardID']),drop_first = False,prefix = 'Freq'onehot.head() from sklearn import preprocessing #使用sklearn 导入OneHotEncoder onehot = preprocessing.OneHotEncoder() #OneHotEncoder Freq = RFM['CardID'].values.reshape(-1,1) onehot.fit(Freq) Freq_onehot = onehot.transform(Freq).toarray() Freq_onehot df = pd.DataFrame(Freq_onehot) #将array 转为pandas 的dataframe df.head()
三、日期型变量转换
时间型
日期型代码：import pandas as pddata = pd.DataFrame({'data_time':pd.date_range('1/1/2017 00:00:00',period = 12,freq = 'H'),'data':pd.date_range('2017-1-1',period = 12,freq = 'M')}) data:提取日期型和时间型的特征变量data['year']= data['data_time'].dt.yeardata['month'] = data['data_time'].dt.monthdata['day'] = data['data_time'].dt.daydata['hour'] = data['data_time'].dt.hourdata['minute'] = data['data_time'].dt.minutedata['second'] = data['data_time'].dt.seconddata['quarter'] = data['data_time'].dt.quarterdata['week'] = data['data_time'].dt.weekdata['yearmonth'] = data['data_time'].dt.strftime('%Y-%m')data['halfyear'] = data['data_time'].mapa(lambda d:'H' if d.month <= 6 else 'H2') data：转换为相对时间特征import datetimedata['deltaDayToToday'] = (datetime.date.today()-data['date'].dt.date).dt.days #距离今天的间隔（天数）data['deltaMonthToToday'] = datetime.date.today().month - data['date'].dt.month #距离今天的间隔（月数）data['daysOfyear'] = data['date'].map(lambda d:366 if d.is_leap_year els 365) #一年过去的进度data['rateOfyear'] = data['date'].dt.dayofyear/data['daysOfyear']data.head()
四、 缺失值处理
处理方法：
删除缺失值记录 缺失值替换： 用0替换 平均数替换 众数替换 预测模型替换123456构造
NaN encoding编码 ：构造一个新的字段来标识是否有缺失(1/0) 任何时候都可使用代码： import pandas as pd titanic = pd.read_csv('./data/titanic.csv') titanic.info() age_mean = round(titanic['Age'].mean()) #对缺失值进行填充 titanic['Age'].fillna(age_mean,inplace = True) #填充平均年龄 titanic.info() titanic = pd.read_csv('./data/titanic.csv') #构造缺失值的标志变量（0/1） titanic.info() titanic['Age_ismissing'] = 0 titanic.loc[titanic['Age'].isnull(),'Age_ismissing'] = 1 titanic['Age_ismissing'].value_counts()
五、 特征组合
目的：构造更多更好的特征，提升模型精度（例如：地球仪的经纬密度）
方法：
多个连续变量： 加减乘除运算
多个类别型变量： 所有值交叉组合代码：import pandas as pd titanic = pd.read_csv('./data/titanic.csv') titanic.head() 组合特征 titanic['Sex_pclass_combo'] = titanic['Sex']+'_pclass_'+titanic['Pclass'].astype(str) titanic.Sex_pclass_combo.value_counts() onehot编码 Sex_pclass_combo = pd.get_dummies['Sex_pclass_combo'],drop_first = False,prefix = 'onehot'Sex_pclass_combo.head()