0x00 前言
对于数据的使用，我们不管是需要了解数据质量、数据口径亦或是数据血缘，最终都将会走向对数据价值的探索上。因此，本篇尝试讨论数据挖掘中的特征分析。
本篇将会以一个具体的例子为主线，讨论一下特征分析的基本流程。
主题和数据是 Kaggle 中的入门级竞赛题《Titanic: Machine Learning from Disaster》。题目背景是预测一个人是否能够从灾难中存活。
0x01 特征总览
先整体看一下我们有哪些数据，给出的数据集如下表，总共 10 个字段，其中 survival 表明该乘客最终是否存活。
| 字段名 | 含义 | 描述 |
|---|---|---|
| survival | Survival | 0 = No, 1 = Yes |
| pclass | Ticket class | 1 = 1st, 2 = 2nd, 3 = 3rd |
| sex | Sex | |
| Age | Age in years | |
| sibsp | # of siblings / spouses aboard the Titanic | |
| parch | # of parents / children aboard the Titanic | |
| ticket | Ticket number | |
| fare | Passenger fare | |
| cabin | Cabin number | |
| embarked | Port of Embarkation | C = Cherbourg, Q = Queenstown, S = Southampton |
接着看一下数据大致长什么样子：
train_df = pd.read_csv('../input/train.csv')
train_df.head()
[图片上传失败...(image-21a4ea-1523880516802)]
使用pandas的内置函数可以很方便地看到数据的分布情况，比如说 Age 的平均值和最小值。
train_df.describe(include='all')
[图片上传失败...(image-39fc5a-1523880516802)]
0x02 特征描述
接下来要做的内容会包括：
- 特征是否有意义：比如userid这种属于用户的唯一标识，并不具备分析的价值。
- 找出特征的数据类型：比如说该特征是否是 categorical features？
- 缺失值情况：缺失值占了多少，是否80%以上都是缺失值？
上面说的是一些基本的分析内容，分析完成之后会有相应的处理方式，比如说特征选择、特征变换、缺失值处理等，这里我们不再描述具体的步骤。
0x03 特征影响
在做各种特征工程之前，我们值得对不同特征的影响力做一些分析。
根据直觉，我们假设这些特征会对最终一个人是否获救有比较大的影响：
- Pclass（仓位）：头等舱的人更容易被优先照顾？
- Sex（性别）：女士优先，因此更容易先上船？
- Age（年龄）：老人和小孩优先？
有了这些假设之后，我们分别对这些特征进行分析：
我们通过下面语句，先看一下不同 Pclass 获救的情况。
train_df[['Pclass', 'Survived']].groupby(['Pclass'], as_index=False).mean().sort_values(by='Survived', ascending=False)
| Id | Pclass | Survived |
|---|---|---|
| 0 | 1 | 0.629630 |
| 1 | 2 | 0.472826 |
| 2 | 3 | 0.242363 |
我们通过下面语句，看一下不同 Sex 获救的情况。
train_df[["Sex", "Survived"]].groupby(['Sex'], as_index=False).mean().sort_values(by='Survived', ascending=False)
| Id | Sex | Survived |
|---|---|---|
| 0 | female | 0.742038 |
| 1 | male | 0.188908 |
分析 Age 的时候，需要对 Age 做一个简单的分段，我们直接使用 Pandas 的函数将 Age 分为 7 段。（这样分不太合理，不错仅当说明。）
train_df['AgeBand'] = pd.cut(train_df['Age'], 7)
train_df[['AgeBand', 'Survived']].groupby(['AgeBand'], as_index=False).mean().sort_values(by='AgeBand', ascending=True)
| Id | AgeBand | Survived |
|---|---|---|
| 0 | (0.34, 11.789] | 0.573529 |
| 1 | (11.789, 23.157] | 0.359551 |
| 2 | (23.157, 34.526] | 0.399142 |
| 3 | (34.526, 45.894] | 0.417910 |
| 4 | (45.894, 57.263] | 0.411765 |
| 5 | (57.263, 68.631] | 0.346154 |
| 6 | (68.631, 80.0] | 0.142857 |
这些特征有影响吗
通过上面的分析，我们能够看出来一些现象：
- 仓位不同的乘客存活率差别较大，直观上来看，仓位越好，存活的越多。
- 女性存活率有74%，而男性只有18左右
- 儿童存活率较高，老人存活率低
也就是说，我们假设的三个特征都是有一定影响力的。当我们了解了不同特征对结果的影响之后，是不是可以进行了？
当然不是，还有特征组合的影响，比如说年龄的影响，目前看到的是20-50岁之间的存活率都差不多，但是会不会是说男性的其实很低，大部分存活的都是女性，然后女性拉高了整体的存活率？
四、特征组合
这就是特征组合了，我们以年龄和性别为组合特征来看一下影响
train_df['AgeBand'] = pd.cut(train_df['Age'], 7)
train_df[['AgeBand','Sex', 'Survived']].groupby(['AgeBand','Sex'], as_index=False).mean().sort_values(by='AgeBand', ascending=True)
|Id|AgeBand|Sex|Survived |
| --- |---|---|
|0|(0.34, 11.789]|female|0.593750 |
|1|(0.34, 11.789]|male|0.555556 |
|2|(11.789, 23.157]|female|0.753623 |
|3|(11.789, 23.157]|male|0.110092 |
|4|(23.157, 34.526]|female|0.772152 |
|5|(23.157, 34.526]|male|0.207792 |
|6|(34.526, 45.894]|female|0.764706 |
|7|(34.526, 45.894]|male|0.204819 |
|8|(45.894, 57.263]|female|0.826087 |
|9|(45.894, 57.263]|male|0.200000 |
|10|(57.263, 68.631]|female|1.000000|
|11|(57.263, 68.631]|male|0.105263 |
|12|(68.631, 80.0]|female|NaN |
|13|(68.631, 80.0]|male|0.142857 |
从表中可以明显看出，同年龄段，女性的存活率明显高于男性，比如说(34.526, 45.894]这个年龄段，女性在76%左右，男性只有20%。
0xFF 总结
我们简单地将机器学习流程分为：数据获取、特征工程、模型训练、模型评估、模型上线这几部分。
其中特征工程是十分重要的的一环，而在做特征工程的时候又不能生搬硬套各种处理方式，应该先做特征的分析，只有对特征的分析和理解到位，才能挖掘更多的价值。
个人主页：http://www.mdjs.info
文章可以转载, 但必须以超链接形式标明文章原始出处和作者信息
欢迎关注我的微信公众号：木东居士
image
个人主页：http://www.mdjs.info
也可以关注我：木东居士。
image
文章可以转载, 但必须以超链接形式标明文章原始出处和作者信息
网友评论