“巧妇难为无米之炊”，放到数据行业，“巧妇”是模型，“米”就是数据与特征。正如业界经典的一句话"Garbage in, garbage out"，如果没有充足数据、合理的特征，再强大的模型结构也难以得到令人满意的结果。
实际工作中，特征工程是去除数据中的杂质，提炼为更合理的特征，供算法和模型使用。特征工程主要包括特征归一化、类型特征的表示、特征选择及非结构化数据的表示。本文主要介绍特征归一化及类型特征的表示。
特征归一化
为了消除特征之间量纲的影响，使数据处于同一数量级具有可比性，需要进行特征归一化。例如，分析一个顾客消费粘性与近三个月消费次数、消费金额的关系。消费次数一般最多几十次，但消费金额可能几千上万，那消费粘性就会更受消费金额的影响。想要更准确的结果，需要将特征进行归一化，使特征在同一个数量级下。最常用的归一化方法是最大最小归一化、零均值归一化。
图片
其中，x为原始数据，为数据最小值，为数据最大值。
python实现方法：
import pandas as pd
import numpy as np
df= pd.DataFrame({'num':np.random.randint(0,50,size=10),
'money':np.random.randint(0,3000,size=10)})
print(df)
图片
df1= (df-df.min())/(df.max()-df.min())
print(df1)
-
零均值归一化
零均值z-score 归一化将数据映射到均值为0，标准差为1的分布上。归一化公式定义为：
图片
python实现方法：
df2= (df-df.mean())/df.std()
print(df2)
图片
- 特征归一化适用情况
归一化的数据，梯度下降可以更快找到最优解。因此，梯度下降求解的模型需要归一化，如线性回归、逻辑回归、支持向量机、神经网络等模型。但是决策树模型并不适用，信息增益跟是否经过归一化无关。
类别特征处理
类别特征原始数据是字符串的，如性别（男、女）等。因为很多模型对各数据进行衡量时，需要依赖数值关系，因此要将类别型特征处理成数值特征。类别型编码常用处理方式有序号编码、独热编码、二进制编码。
1. 序号编码
序号编码适用于数据类别间有大小关系的，如销售金额分为高、中、低三档，可以分别用3，2，1表示。
2. 独热编码 OneHot-Encoding
如果数据类别没有大小关系，如订单来源取值为3个（淘宝、京东、拼多多），独热编码将订单来源表示为3维稀疏变量。淘宝为[1,0,0]，京东为[0,1,0]，拼多多为[0,0,1]。
如果类别取值过多，独热编码要注意以下问题：
(1) 用稀疏向量表示节省空间
(2) 配合特征选择降低维度
独热编码python实现：
df = pd.DataFrame({'source':['淘宝','京东','拼多多'],
'amount':[20,5,30]})
pd.get_dummies(df,prefix='source',prefix_sep='_')
image.png
- 二进制编码以订单来源淘宝、京东、拼多多为例，淘宝、京东、拼多多的ID分别为1、2、3，则二进制表示分别为001、010、011。
网友评论