一文归纳Python特征生成方法(全)
创造新的特征是一件十分困难的事情，需要丰富的专业知识和大量的时间。机器学习应用的本质基本上就是特征工程。——Andrew Ng
业内常说数据决定了模型效果上限，而机器学习算法是通过数据特征做出预测的，好的特征可以显著地提升模型效果。这意味着通过特征生成（即从数据设计加工出模型可用特征），是特征工程相当关键的一步。
本文从特征生成作用、特征生成的方法（人工设计、自动化特征生成）展开阐述并附上代码。
1 特征生成的作用
特征生成是特征提取中的重要一步，作用在于：
增加特征的表达能力，提升模型效果；(如体重除以身高就是表达健康情况的重要特征，而单纯看身高或体重，对健康情况表达就有限。) 可以融入业务上的理解设计特征，增加模型的可解释性；
2 一键数据情况分析
本文示例的数据集是客户的资金变动情况，如下数据字典：
cust_no：客户编号；I1 :性别；I2：年龄 ；E1：开户日期；
B6 ：近期转账日期；C1 (后缀_fir表示上个月)：存款；C2：存款产品数；
X1：理财存款；X2：结构性存款； label：资金情况上升下降情况。
# 一键数据分析
import pandas_profiling
pandas_profiling.ProfileReport(df)
3 特征生成方法(手动)
特征生成方法可以分为两类：聚合方式、转换方式。
3.1 聚合方式
聚合方式是指对存在一对多的字段，将其对应多条记录分组聚合后统计平均值、计数、最大值等数据特征。如以上述数据集，同一cust_no对应多条记录，通过对cust_no(客户编号)做分组聚合，统计C1字段个数、唯一数、平均值、中位数、标准差、总和、最大、最小值，最终得到按每个cust_no统计的C1平均值、最大值等特征。
# 以cust_no做聚合，C1字段统计个数、唯一数、平均值、中位数、标准差、总和、最大、最小值
df.groupby('cust_no').C1.agg(['count','nunique','mean','median','std','sum','max','min'])
# 自定义分组聚合统计函数
def x2_sum(group):
return sum(group**2)
df.groupby('cust_no').C1.apply(x2_sum)
3.2 转换方式
转换方式是指对字段间做加减乘除等运算生成数据特征的过程，对不同字段类型有不同转换方式。
3.2.1 数值类型
加减乘除 多个字段做运算生成新的特征，这通常需要结合业务层面的理解以及数据分布的情况，以生成较优的特征集。
import numpy as np
# 前后两个月资金和
df['C1+C1_fir'] = df['C1']+df['C1_fir']
# 前后两个月资金差异
df['C1-C1_fir'] = df['C1']-df['C1_fir']
# 产品数*资金
df['C1*C2'] = df['C1']*df['C2']
# 前后两个月资金变化率
df['C1/C1_fir'] = df['C1']/df['C1_fir'] - 1
df.head()
多个列统计 直接用聚合函数统计多列的方差、均值等
import numpy as np
df['C1_sum'] = np.sum(df[['C1_fir','C1']], axis = 1)
df['C1_var'] = np.var(df[['C1_fir','C1']], axis = 1)
df['C1_max'] = np.max(df[['C1_fir','C1']], axis = 1)
df['C1_min'] = np.min(df[['C1_fir','C1']], axis = 1)
df['C1-C1_fir_abs'] = np.abs(df['C1-C1_fir'])
df.head()
排名编码特征 按特征值对全体样本进行排序，以排序序号作为特征值。这种特征对异常点不敏感，也不容易导致特征值冲突。
# 排序特征
df['C1_rank'] = df['C1'].rank(ascending=0, method='dense')
df.head()
3.2.2 字符类型
截取 当字符类型的值过多，通常可对字符类型变量做截取，以减少模型过拟合。如具体的家庭住址，可以截取字符串到城市级的粒度。
字符长度 统计字符串长度。如转账场景中，转账留言的字数某些程度可以刻画这笔转账的类型。
频次 通过统计字符出现频次。如欺诈场景中地址出现次数越多，越有可能是团伙欺诈。
# 字符特征
# 由于没有合适的例子，这边只是用代码实现逻辑，加工的字段并无含义。
#截取第一位字符串
df['I1_0'] = df['I1'].map(lambda x:str(x)[:1])
# 字符长度
df['I1_len'] = df['I1'].apply(lambda x:len(str(x)))
display(df.head())
# 字符串频次
df['I1'].value_counts()
3.2.3 日期类型
常用的有计算日期间隔、周几、几点等等。
# 日期类型
df['E1_B6_interval'] = (df.E1.astype('datetime64[ns]') - df.B6.astype('datetime64[ns]')).map(lambda x:x.days)
df['E1_is_month_end'] = pd.to_datetime(df.E1).map(lambda x :x.is_month_end)
df['E1_dayofweek'] = df.E1.astype('datetime64[ns]').dt.dayofweek
df['B6_hour'] = df.B6.astype('datetime64[ns]').dt.hour
df.head()
4 特征生成方法(自动化)
传统的特征工程方法通过人工构建特征，这是一个繁琐、耗时且容易出错的过程。自动化特征工程是通过Fearturetools等工具，从一组相关数据表中自动生成有用的特征的过程。对比人工生成特征会更为高效，可重复性更高，能够更快地构建模型。
4.1 FeatureTools上手
Featuretools是一个用于执行自动化特征工程的开源库，它有基本的3个概念：1）Feature Primitives(特征基元)：生成特征的常用方法，分为聚合(agg_primitives)、转换(trans_primitives)的方式。可通过如下代码列出featuretools的特征加工方法及简介。
import featuretools as ft
ft.list_primitives()
2）Entity(实体) 可以被看作类似Pandas DataFrame, 多个实体的集合称为Entityset。实体间可以根据关联键添加关联关系Relationship。
# df1为原始的特征数据
df1 = df.drop('label',axis=1)
# df2为客户清单(cust_no唯一值)
df2 = df[['cust_no']].drop_duplicates()
df2.head()
# 定义数据集
es = ft.EntitySet(id='dfs')
# 增加一个df1数据框实体
es.entity_from_dataframe(entity_id='df1',
dataframe=df1,
index='id',
make_index=True)
# 增加一个df2数据实体
es.entity_from_dataframe(entity_id='df2',
dataframe=df2,
index='cust_no')
# 添加实体间关系：通过 cust_no键关联 df_1 和 df 2实体
relation1 = ft.Relationship(es['df2']['cust_no'], es['df1']['cust_no'])
es = es.add_relationship(relation1)
3）dfs(深度特征合成) ： 是从多个数据集创建新特征的过程，可以通过设置搜索的最大深度(max_depth)来控制所特征生成的复杂性
## 运行DFS特征衍生
features_matrix,feature_names = ft.dfs(entityset=es,
target_entity='df2',
relationships = [relation1],
trans_primitives=['divide_numeric','multiply_numeric','subtract_numeric'],
agg_primitives=['sum'],
max_depth=2,n_jobs=1,verbose=-1)
4.2 FeatureTools问题点
4.2.1 内存溢出问题 Fearturetools是通过工程层面暴力生成所有特征的过程，当数据量大的时候，容易造成内存溢出。解决这个问题除了升级服务器内存，减少njobs，还有一个常用的是通过只选择重要的特征进行暴力衍生特征。
4.2.2 特征维度爆炸 当原始特征数量多，或max_depth、特征基元的种类设定较大，Fearturetools生成的特征数量巨大，容易维度爆炸。这是就需要考虑到特征选择、特征降维，常用的特征选择方法可以参考上一篇文章: Python特征选择
注：本文源码链接：【Github】。(公众号阅读原文可访问链接)