如何自动化进行特征工程

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。

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

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。

参考文献

• https://www.cnblogs.com/weibao/p/6252280.html

• https://featuretools.alteryx.com/en/stable/
  

作者：童蒙

编辑：angelica

往期回顾