二手车交易价格预测中的特征工程

赛题数据维度包括

Field	Description
SaleID	交易ID，唯一编码
name	汽车交易名称，已脱敏
regDate	汽车注册日期，例如20160101，2016年01月01日
model	车型编码，已脱敏
brand	汽车品牌，已脱敏
bodyType	车身类型：豪华轿车：0，微型车：1，厢型车：2，大巴车：3，敞篷车：4，双门汽车：5，商务车：6，搅拌车：7
fuelType	燃油类型：汽油：0，柴油：1，液化石油气：2，天然气：3，混合动力：4，其他：5，电动：6
gearbox	变速箱：手动：0，自动：1
power	发动机功率：范围 [ 0, 600 ]
kilometer	汽车已行驶公里，单位万km
notRepairedDamage	汽车有尚未修复的损坏：是：0，否：1
regionCode	地区编码，已脱敏
seller	销售方：个体：0，非个体：1
offerType	报价类型：提供：0，请求：1
creatDate	汽车上线时间，即开始售卖时间
price	二手车交易价格（预测目标）
v系列特征	匿名特征，包含v0-14在内15个匿名特征

在EDA过程中，了解到只有power、kilometer、匿名维度属于数值属性。除去对缺失值删除填充、数据规范化之外，这里对根据实际需求构建特征，以及选择特征的过程做以下记录。

对于预测车辆价格而言，就是要找到影响价格的因素。首先可以想到影响全新车辆价格的因素包括品牌、性能、款型、大小等涉及汽车质量的因素。此外，不同时间下经济环境、消费能力、货币价值不同，也会影响车辆价格。

数据中能反映汽车质量性能的数据包括model、brand、bodyType、fuelType、power。这其中品牌 brand 往往因其口碑服务等品牌价值而对价格有非常大的影响。同样车型配置的车辆，高端品牌的价格会高于低端品牌。这种品牌隐含属性可以通过计算训练数据中各 brand 的的平均价格（mean price）来表现。同时，有些品牌可能专注低端或高端产品，而有些品牌则可能覆盖多层次产品，这可以用价格的房产来表现。

所以在可以构造特征“brand_price_mean”，“brand_price_std”来反映品牌的定位情况——这一对价格有较大影响的品牌隐含属性。

时间对价格的影响，实际上也是较的，可以想象1990年与2010年市面上在售车辆的价格一定差距悬殊。这种差距源于市场消费能力，物价水平的影响。所以模型应该考虑车辆 createDate 对价格的影响。

但是，实际上，不同年代汽车售价不同，并不是每款汽车产品的售价不同。几乎不可能哪款车型会连续生产几十年而不变。随着技术进步和设计风格的转变，车企会不断推出新车型，同一车型品牌也会随着时间不断更新换代。旧车型不断被新车型淘汰，而不是不断涨价。所以说，model 车型属性本身就隐含了时间属性。这或许意味着我们就不必将 createDate 作为重要参数进行考虑，因为 createDate 的影响，已经隐含在 model 中了。

而对于二手车来说，车辆的使用时长、使用里程、故障情况，这些反应车辆损耗贬值程度的数据，对价格有决定性影响。所以使用 regDate - createDate 得到使用时长 ，参与模型训练是十分必要的。里程和故障情况由 kilometer 和 notRepairedDamage 直接反应。当然，在实际中，如果能得到零部件的维修记录数据对于预测价格来说就更好了。存在多次维修的部件一定会降低预期价格，而换新的部件则有望提升二手售价。

地区属性由于能反映地区局部市场，也会对价格有所影响。根据地区编码含义，如邮编，截取前几位反映有一定广度的区域即可。

seller、offerType 属性，从常识上理解，一般不会对价格有影响。在EDA过程中，也发现该属性数值上非常几种，故直接删去，不做考虑。而 SaleID、name 属性属于标记数据，对价格无影响，只作为时间标签即可，不参与训练。