FeatureTools官方文档——Get Start 之用实体集表示数据

原文官网链接：Representing Data with EntitySets
实体集 EntitySets是实体及其之间关系的集合。它们对于为特征工程准备原始的结构化数据集非常有用。尽管Featuretools中的许多函数将实体和关系作为不同的参数，但建议创建一个EntitySet，以便你可以根据需要更轻松地操作数据。

The Raw Data 原始数据

下面我们有两个与客户交易相关的数据表（表示为Pandas的DataFrames）。第一个是transactions、sessions和customers的合并，以便结果看起来像日志文件中可能看到的内容：

import featuretools as ft

data = ft.demo.load_mock_customer()
transactions_df = data["transactions"].merge(data["sessions"]).merge(data["customers"])
transactions_df.sample(10)

第二个dataframe是这些交易中涉及的产品列表。

products_df = data["products"]

Creating an EntitySet 创建实体集

首先，我们初始化一个EntitySet。如果你想给它一个名字，你可以选择在构造器中给出一个id。

es = ft.EntitySet(id="customer_data")

Adding entities 添加实体

开始，我们加载transactions(交易记录)的dataframe作为一个实体。

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})
es

注意：你也可以通过调用 EntitySet.plot()以图形化的方式展示你的实体集结构。

该方法把dataframe的每一列加载为一个变量。可以使用下面代码观察实体中的变量。

es["transactions"].variables

在调用entity_from_dataframe时，我们指定三个重要参数： 1、index参数指定唯一标识dataframe的一行的列
2、time_index参数告诉Featuretools什么时候创建的数据
3、variable_types参数指定“product_id”应该被作为类别变量解释，虽然它在基础数据中是整形的。

现在，我们可以对products的dataframe做同样的事：

es = es.entity_from_dataframe(entity_id="products",
                                 dataframe=products_df,
                                 index="product_id")

我们的实体集中有两个实体，我们可以给他们添加一个关系。

Adding a Relationship 添加关系

我们想通过每个实体的“product_id”列关联这两个实体。每种产品有多个相关交易，所以它被称为父实体，交易实体则作为子实体。指定关系时，先列上父实体的变量。注意，每个ft.Relationship必须表示为一对多关系，而不是一对一或多对多关系。

new_relationship = ft.Relationship(es["products"]["product_id"],
                                      es["transactions"]["product_id"])
es = es.add_relationship(new_relationship)
es

现在，可以看到关系已经添加到了实体中。

Creating entity from existing table 从已存在的表中创建实体

在处理原始数据时，通常有足够的信息来证明创建新实体的合理性。为了为sessions创建新的实体和关系，我们将transaction实体“规范化”。

es = es.normalize_entity(base_entity_id="transactions",
                             new_entity_id="sessions",
                             index="session_id",
                             make_time_index="session_start",
                             additional_variables=["device", "customer_id", "zip_code", "session_start", "join_date"])
es

观察上面的输出，可以看到该方法做了两个操作：

1、基于“transactions”中的两个变量“session_id” 和“session_start”创建了“sessions”实体

2、添加了连接“transactions” 和 “sessions”的关系

如果观察transactions里和新sessions实体里的变量，可以看到另外两个操作自动执行了。

es["transactions"].variables

es["sessions"].variables

它从“transactions”中移走了“device”, “customer_id”, “zip_code” and “join_date”，并在sessions实体创建了一个新变量。这减少了冗余信息，因为会话的属性在事务之间不会改变。

它将“session_start”作为时间索引变量复制并标记到新的sessions实体中，以标识会话的开始。如果基本实体具有时间索引，并且未设置make_time_index，normalize entity将为新实体创建时间索引。在这种情况下，它将使用每个会话的第一个事务的时间创建一个名为“first_transactions_time”的新时间索引。如果不希望创建此时间索引，可以设置make_time_index=False。

如果我们查看dataframes，可以看到normalize_entity对实际数据做了什么。

为完成该数据集的准备，用统一的方法调用创建一个“customers”实体：

es = es.normalize_entity(base_entity_id="sessions",
                             new_entity_id="customers",
                             index="customer_id",
                             make_time_index="join_date",
                             additional_variables=["zip_code", "join_date"])

Using the EntitySet

最后，我们已准备好将此实体集与Featuretools中的任何功能一起使用。例如，让我们为数据集中的每个产品构建一个特征矩阵。

feature_matrix, feature_defs = ft.dfs(entityset=es,
                                         target_entity="products")
feature_matrix

如我们所见，DFS的特性使用了实体集的关系结构。因此，仔细思考我们创造的实体是很重要的。