作者：童蒙
编辑：angelica
工业界流传者这么一句话：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。
特征工程就是将原始的数据处理成合格的数据输入的一个过程，但是这个过程是很耗时、很繁琐、很无聊，但是又很重要的一个过程。使用Featuretools这个工具，可以很自动化地进行特征工程的操作。它擅长将时间和关系的数据集转换成机器学习的特征矩阵。下面我们来看看吧。
一、安装
使用pip轻松安装Featuretools。
pip install featuretools
可以使用清华的源来加速安装
pip install featuretools -i https://pypi.tuna.tsinghua.edu.cn/simple
二、使用
官方推荐有两种形式，一种是分步定义，一种是entityset定义。
分步定义
首先看代码
import featuretools as ft
data = ft.demo.load_mock_customer()
customers_df = data["customers"]
sessions_df = data["sessions"]
transactions_df = data["transactions"]
导入示例数据，并且存成三个dataframe，然后定义entities
entities = {
"customers" : (customers_df, "customer_id"),
"sessions" : (sessions_df, "session_id", "session_start"),
"transactions" : (transactions_df, "transaction_id", "transaction_time")
}
定义数据矩阵之间的关系
relationships = [("sessions", "session_id", "transactions", "session_id"),
("customers", "customer_id", "sessions", "customer_id")]
运行Deep Feature ，进行特征生成，针对customer这个表格进行特征生成
feature_matrix_customers, features_defs = ft.dfs(entities=entities,
relationships=relationships,
target_entity="customers")
通过修改target_entity这个参数来调整生成的表格。
使用entityset定义
也可以使用entityset，首先看代码
import featuretools as ft
data = ft.demo.load_mock_customer()
transactions_df = data["transactions"].merge(data["sessions"]).merge(data["customers"])
products_df = data["products"]
生成一个entityset
es = ft.EntitySet(id="customer_data")
添加一个实体
es = es.entity_from_dataframe(entity_id="transactions",
dataframe=transactions_df,
index="transaction_id",
time_index="transaction_time",
variable_types={"product_id": ft.variable_types.Categorical,
"zip_code": ft.variable_types.ZIPCode})
添加另一个实体
es = es.entity_from_dataframe(entity_id="products",
dataframe=products_df,
index="product_id")
添加关系
new_relationship = ft.Relationship(es["products"]["product_id"],
es["transactions"]["product_id"])
生成新的特征
feature_matrix, feature_defs = ft.dfs(entityset=es,
target_entity="products")
此外，可以用normalize_entity()来对原始表格产生一个新的entity。具体的见官方说明就可以啦。
结语
特征工程包含的内容有很多，今天只是介绍了一个方面：特征的自动化生成，请大家后续继续关注我们的其他推文。
网友评论