《特征工程入门与实践》--特征构建

我们会探讨如下主题：

• 检查数据集；
• 填充分类特征；
• 编码分类变量；
• 扩展数值特征；
• 针对文本的特征构建。

《特征工程入门与实践》-特征构建

检查数据集

为了进行演示，本章会使用我们自己创建的数据集，以便展示不同的数据等级和类型。我们先设置数据的DataFrame。
用Pandas创建要使用的DataFrame，这也是Pandas的主要数据结构。这样做的优点是可以用很多属性和方法操作数据，从而对数据进行符合逻辑的操作，以深入了解我们使用的数据，以及如何最好地构建机器学习模型。
(1) 首先导入Pandas：

import pandas as pd

(2) 然后就可以设置DataFrame X了。我们用Pandas的DataFrame方法创建表格数据结构（带行和列的表格）。这个方法可以接受不同类型的数据（例如，NumPy数组和字典等）。在本例中，我们传入一个字典，其键是列标题、值是列表，每个列表代表一列：

X = pd.DataFrame({
'city':['tokyo', None, 'london', 'seattle', 'sanfrancisco','tokyo'],
'boolean':['yes', 'no', None, 'no', 'no', 'yes'],
'ordinal_column':['somewhat like', 'like', 'somewhat like', 'like',
                  'somewhat like', 'dislike'],
'quantitative_column':[1, 11, -.5, 10, None, 20]})
				  

print(X)

填充分类特征

利用Pandas DataFrame的isnull方法查看缺失值。这个方法返回一个布尔值对象，表示数据是否为空。然后调用sum方法查看哪列缺失数据：

X.isnull().sum()

boolean                1
city                   1
ordinal_column         0
quantitative_column    1
dtype: int64

可以看见，有3列存在缺失值。接下来当然要填充这些值。
scikit-learn的Imputer类，用于填充数值数据，有一个most_frequent方法可以用在定性数据上，但是只能处理整数型的分类数据。
我们要写一个自己的转换器，也就是一个填充每列缺失值的方法。这些转换器对转换数据帮助很大，而且可以进行Pandas和scikit-learn不支持的操作。

• 对于数值数据，可以通过计算均值的方法填充缺失值；
• 对于分类数据，我们也有类似的处理方法：计算出最常见的类别用于填充。

为此，需要找出定性列city列中最常见的类别。

注意，要对这个列使用value_counts方法。这样会返回一个对象，由高到低包含列中的各个元素——第一个元素就是最常出现的。

我们只需要对象中的第一个元素：

# 寻找city列中最常见的元素
X['city'].value_counts().index[0]

>>>>
'tokyo'

tokyo是最频繁出现的城市。我们知道了用tokyo来填充。fillna函数可以指定填充缺失值的方式：

# 用最常见的值填充city列
X['city'].fillna(X['city'].value_counts().index[0])

city列现在是这样的：
0            tokyo
1            tokyo
2           london
3          seattle
4    san francisco
5            tokyo
Name: city, dtype: object

对另一个列boolean依然存在缺失值。我们不再使用同样的方法，而是构建一个自定义填充器，用来处理分类数据的填充。

自定义填充器

回顾一下机器学习流水线：

• 我们可以用流水线按顺序应用转换和最终的预测器；

• 流水线的中间步骤只能是转换，这意味着它们必须实现fit和transform方法；

• 最终的预测器只需要实现fit方法。

流水线的目的是将几个可以交叉验证的步骤组装在一起，并设置不同的参数。在为每个需要填充的列构建好自定义转换器后，就可以把它们传入流水线，一口气转换好数据。

自定义分类填充器

首先，用scikit-learn的TransformerMixin基类创建我们的自定义分类填充器。这个转换器会作为流水线的一环，实现fit和transform方法。
代码仔细讲解：

from sklearn.base import TransformerMixin

#初始化这个自定义的类
class CustomCategoryImputer(TransformerMixin): 
    def __init__(self, cols=None): #__init__方法对属性进行了初始化
        self.cols = cols  #初始化一个实例属性self.cols（就是我们指定为参数的列）

    def transform(self, df):
        X = df.copy()
        for col in self.cols:     
		X[col].fillna(X[col].value_counts().index[0],inplace=True)
        return X

    def fit(self, *_):
        return self

• 1.scikit-learn的TransformerMixin类，它包括一个.fit_transform方法，会调用我们创建的.fit和.transform方法。这能让我们的转换器和scikit-learn的转换器保持结构一致。

• 2.现在可以构建fit和transform方法了：

def transform(self, df):
        X = df.copy()
        for col in self.cols:    
		X[col].fillna(X[col].value_counts().index[0],inplace=True)
        return X

• 3.上面是transform方法，它接收一个DataFrame。首先将这个DataFrame复制一份，命名为$X$。然后遍历cols参数指定的列，填充缺失值。缺失值填充完毕后，返回DataFrame。然后是fit方法：

def fit(self, *_):
        return self

我们的fit方法只有return self一句话，和scikit-learn的标准.fit方法相同。

• 4.有了自定义方法，可以填充分类数据了！我们在两列分类数据city和boolean上试验：

# 在列上应用自定义分类填充器

cci = CustomCategoryImputer(cols=['city', 'boolean'])

• 5 我们初始化了一个自定义分类填充器，现在需要在数据集上调用fit_transform函数：

cci.fit_transform(X)

自定义定量填充器

我们使用的结构和自定义分类填充器类似。主要的区别在于，此处用scikit-learn的Imputer类实现一个自定义的转换器，对列进行转换：

# 按名称对列进行转换的填充器

from sklearn.preprocessing import Imputer
class CustomQuantitativeImputer(TransformerMixin):
    def __init__(self, cols=None, strategy='mean'):
        self.cols = cols
        self.strategy = strategy

    def transform(self, df):
        X = df.copy()
        impute = Imputer(strategy=self.strategy)
        for col in self.cols:
            X[col] = impute.fit_transform(X[[col]])
        return X

    def fit(self, *_):
        return self

对于CustomQuantitativeImputer，我们添加了一个strategy参数，指定如何填充定量数据里的缺失值。这里用均值填充缺失值，依然使用transform和fit方法。
还是用fit_transform函数填充数据，这次我们指定要填充的列和strategy：

cqi = CustomQuantitativeImputer(cols=['quantitative_column'],
strategy='mean')

cqi.fit_transform(X)

也可以不分别调用并用fit_transform拟合转换CustomCategoryImputer和CustomQuantitativeImputer，而是把它们放在流水线中。方法如下所示。
(1) 写import语句：

# 从sklearn导入Pipeline
from sklearn.pipeline import Pipeline

(2) 导入自定义填充器：

imputer = Pipeline([('quant', cqi), ('category', cci)])
imputer.fit_transform(X)

编码分类变量

定类等级的编码

主要方法是将分类数据转换为虚拟变量（dummy variable），有两种选择：

• 用Pandas自动找到分类变量并进行编码；
• 创建自定义虚拟变量编码器，在流水线中工作。

在深入探讨之前，我们先研究一下什么是虚拟变量。
虚拟变量的取值是1或0，代表某个类别的有无。虚拟变量是定性数据的代理，或者说是数值的替代。
考虑一个简单的工资回归分析问题。假设给定了性别（定性数据）和工龄（定量数据）。为了考察性别对工资的影响，我们用虚拟变量：female = 0代表男性，female = 1代表女性。

当使用虚拟变量时，需要小心虚拟变量陷阱。虚拟变量陷阱的意思是，自变量有多重共线性或高度相关。简单地说，这些变量能依据彼此来预测。在这个例子中，如果设置female和male两个虚拟变量，它们都可以取值为1或0，那么就出现了重复的类别，陷入了虚拟变量陷阱。我们可以直接推断female = 0代表男性。
为了避免虚拟变量陷阱，我们需要忽略一个常量或者虚拟类别。被忽略的虚拟变量可以作为基础类别，和其他变量进行比较。
回到数据集中，用第一种选择将分类数据编码成虚拟变量。Pandas有个很方便