数据挖掘实战之天池精准医疗大赛（5）——特征工程1
Part 4-1 : 特征工程
现在开始数据挖掘中最玄妙也是最重要的部分：特征工程（Feature Engineering）。
初学机器学习，一般只是对此概念及相关内涵有所了解，此处试图以实践性的角度，详细阐述特征工程。引用一句老掉牙的话，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。
好特征即使使用一般的模型，也能得到很好的效果！好特征的灵活性在于它允许你可以选择不复杂的模型，同时，运行速度也更快，也更容易理解和维护。好的特征，即使参数不是最优解，模型性能也能表现很好，因此，不需要太多时间去寻找最优参数，大大的降低了模型的复杂度，使模型趋向简单。模型的性能包括模型的效果，执行的效率及模型的可解释性。特征工程的最终目的就是提升模型的性能。
许多课程中将前述part-3的数据分析与预处理合并为特征工程，无论如何，整体的思路和流程是这样的，我们要将原始数据处理成格式化的矩阵喂给模型，前面part-3将数据整理得漂亮了一些，接下来特征工程是为了将“数据”变为“特征”。说到“数据”，它还是一些有意义的数值，有含义，有量纲，而“特征"则可以认为仅仅是一些数字了，模型需要有用的特征来分类和预测，但是它并不理解它是否有含义，在这个精准医疗的比赛中，可以看到大佬们创造出了各种各样的特征提高了模型的准确度，这些特征大多很”奇葩“，但是只要是有用的，我们就要使用，学习构造这样的特征的一套理论。
这一部分中，我们首先介绍特征工程那一套理论，包括一些有效的方法、一套实践起来比较有效的流程，然后贴出鄙人比赛的代码作为示例，并看一下一些大佬的特征的样子拓宽思路。这一部分会引用许多网上的内容，文中会给出几个链接供详细学习~
1）特征工程的流程
推荐知乎上这一回答，也可看对应的博文：
特征工程到底是什么？ - 城东的回答 - 知乎
https://www.zhihu.com/question/29316149/answer/110159647
另外知乎上一些其他人的回答也不错往下翻。建议结合大佬们的理解阅读，多看一些加深理解。大佬们的基本框架就是这样的：
预处理： 无量纲化，对定量特征二值化，对定性特征哑编码，数据变换
特征选择： Filter（过滤）、Wrapper（包裹）、Embedded（嵌入）
降维： 主成分分析法（PCA）、线性判别分析法（LDA）
① 无量纲化：数据的标准归一化，对于后续的训练速度和模型的准确性有很大作用，不再赘述（基础知识就不啰嗦了），都可以用sklearn包实现，选择合适的方法也是一门学问。
② 编码：分为二值化编码，以及著名的独热（one-hot）编码又称哑编码。处理的对象是我们上游工作流程得到的DF对象，字段内容一般是，非数值型（文本）、离散数值、连续型数值。此中设计到不少实践性很强的内容，略述如下。
非数值型的特征此处要进行处理了，模型不能识别非数字的东西，此处一般指的是文字型字段。例如性别{‘男’，‘女’}，可以设置为{‘男’：0，‘女’：1}，这不是二值化处理。需要说明的是，对于性别这一类的在DataFrame对象中可以用map函数进行处理，十分方便，具体可见下面的代码。除了文字型字段，若是离散的、大小无意义的数字的字段，也需独热处理。在面对大量独热编码时，一个一个用map函数十分不便，而用sklearn上的OneHotEncoder() 会将DF对象变为数组，无法后续处理，也不便于观察特征的名字（当然你可以把这一步放到最后），同样sklearn的无量纲化操作也是这样，破坏美丽的DF数据结构。
此处，需要传授一些人生经验，不要听信sklearn那些预处理工具。无量纲化直接用pandas自带的统计量进行计算，哑编码用pd.get_dummies(),十分方便。
对于连续值的编码，即离散化处理，连续值本来直接送给模型就很好，如果有必要简化、编码，可以将连续值分段，再参考独热编码。比如年龄字段可以这样处理，但是本题没有这么做；具体的年龄数值很有用处，年龄的相关性极大，但是又不能说50岁就是25岁的2倍，编码处理也许也有帮助。
③ 特征构造
数据变换，明显也使得数据无量纲，需要注意的是数据变换的本质上是什么呢？没错，实际上就是构造新特征。sklearn里实现了PolynomialFeatures 以及 FunctionTransformer，一个是多项式特征，一个是函数变换。
特征组合，基本利用简单的四则运算，但是一般基于对问题专业知识的理解，对现有几个字段加以组合生成新的特征。
这个表格非常明了：
此处对特征构造总结一下。编码（数值规约）是对字段内容（离散型、文本）的特征化，而数据变换则是创造新的特征，方法除了多项式的，函数变换的，四则运算也是最基本的手段。此时，我们得到的‘数据’更像是一些高维的‘特征’了，也许我们只有40个字段，经过这个阶段的处理可以有1000个特征（因为各种函数变换，你想有多少特征都可以）。这就是这一阶段的目的，但是没有特征筛选的支撑这一工作也毫无意义，喂过多的特征会使模型准确性下降。下面我们认识一下特征选择。
特征选择的方法各种资料上说了一大堆，一般分为过滤、包裹、嵌入，鄙人根据自己理解，作如下分类：
① 基于指标的筛选：
大佬的文章中介绍了方差选择法（VarianceThreshold）、相关系数法（pearsonr）、卡方检验法（chi2）和互信息法（MINE），辅助使用SelectKBest()工具依据每个特征的指标选出K个最佳特征，相关系数只能评价线性关系，而卡方检验和互信息可以找到更多有用的特征，鄙人在比赛中辅助使用了互信息和相关系数，并没有完整的应用流程，还需在实践中加强。
有时间鄙人会扩展一下这部分的内容，在此先略过。。
② 基于模型的筛选：
特征递归消除: RFE(estimator, n_features_to_select, step, estimator_params, verbose)
嵌入式方法，使用SelectFromModel()，模型一般是L1正则化的逻辑回归模型及基于树的模型如GBDT、RF，具体使用参考大佬的文章中的例子，更多的还是自己亲自在实践中使用。
要注意SelectFromModel(LogisticRegression(penalty="l1", C=0.1))这样的是不稳定的，这里向大家推荐sklearn.linear_model的两个方法：
随机lasso回归 RandomizedLasso(alpha='aic', scaling=.5, sample_fraction=.75,
n_resampling=200, selection_threshold=.25,
fit_intercept=True, verbose=False, normalize=True, precompute='auto',
max_iter=500, eps=np.finfo(np.float).eps, random_state=None,
n_jobs=1, pre_dispatch='3*n_jobs', memory=None)
随机逻辑回归 RandomizedLogisticRegression(C=1, scaling=.5, sample_fraction=.75,
n_resampling=200, selection_threshold=.25, tol=1e-3,
fit_intercept=True, verbose=False, normalize=True,
random_state=None, n_jobs=1, pre_dispatch='3*n_jobs', memory=None)
原型是这样的，相当于线性模型的集成算法，可以稳定的选出重要的模型，具体使用不妨查查资料、看看源码。另外，火热的深度学习也可以用来筛选特征，有兴趣的可以去查查~
③ 降维：当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，导致计算量大，训练时间长的问题，因此降低特征矩阵维度也是必不可少的。L1的正则也是一种降维。PCA是为了让映射后的样本具有最大的发散性；而LDA是为了让映射后的样本有最好的分类性能。与筛选不同的是，筛选是舍弃掉某些特征、保留一些特征，而降维后，留下的维度已不再是原来的任一特征，类似于特征之间作了复杂的变换和函数运算，因此降维的过程是新特征生成。但是将降维归到特征选择中，大概因为这一般是调用模型前的最后一步了，一般还是认为这是在筛选特征而不是构造特征。
总结如下：（加上随机lasso）
特征工程流程归纳：
无量纲化（标准归一化）→ 编码 → 特征构造 → 特征筛选 → 降维（如果维度大）
实际上，特征构造和特征选择是反复迭代的关系。上面知乎的回答中的有一位大佬是这样总结的：
还是知乎那个问题里，数据分析jacky 的回答也不错，理论很系统，实例也很丰富，建议翻到下面看一下。他将流程归纳为数据处理、特征选择、维度压缩。
特征工程到底是什么？ - 数据分析jacky的回答 - 知乎
https://www.zhihu.com/question/29316149/answer/252391239
好了，特征工程的流程的理论部分就是这样了，给出了许多链接，还是多看看，本文就不搬运了。下面一节会贴出大赛的特征工程的代码供交流学习进步。