DW组队学习-二手车交易价格预测Task03：特征工程-python黑洞网

本站消息

站长简介/公众号

出租广告位,需要合作请联系站长

imsorry

689

文章

596970

访问

+关注

分类

暂无分类

日期归档

暂无数据

DW组队学习-二手车交易价格预测Task03：特征工程

发布于2020-03-28 11:03 阅读(2176) 评论(0) 点赞(0) 收藏(3)

思而不学犹豫不决
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
文章目录

1 数据挖掘流程

数据挖掘的五大流程：
1. 获取数据 2. 数据预处理数据预处理是从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录的过程可能面对的问题有：数据类型不同，比如有的是文字，有的是数字，有的含时间序列，有的连续，有的间断。也可能，数据的质量不行，有噪声，有异常，有缺失，数据出错，量纲不一，有重复，数据是偏态，数据量太大或太小数据预处理的目的：让数据适应模型，匹配模型的需求 3. 特征工程：特征工程是将原始数据转换为更能代表预测模型的潜在问题的特征的过程，可以通过挑选最相关的特征，提取特征以及创造特征来实现。其中创造特征又经常以降维算法的方式实现。可能面对的问题有：特征之间有相关性，特征和标签无关，特征太多或太小，或者干脆就无法表现出应有的数据现象或无法展示数据的真实面貌特征工程的目的：1) 降低计算成本，2) 提升模型上限 4. 建模，测试模型并预测出结果 5. 上线，验证模型效果

数据挖掘的五大流程：

1. 获取数据
2. 数据预处理
数据预处理是从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录的过程
可能面对的问题有：数据类型不同，比如有的是文字，有的是数字，有的含时间序列，有的连续，有的间断。
也可能，数据的质量不行，有噪声，有异常，有缺失，数据出错，量纲不一，有重复，数据是偏态，数据量太
大或太小
数据预处理的目的：让数据适应模型，匹配模型的需求
3. 特征工程：
特征工程是将原始数据转换为更能代表预测模型的潜在问题的特征的过程，可以通过挑选最相关的特征，提取
特征以及创造特征来实现。其中创造特征又经常以降维算法的方式实现。
可能面对的问题有：特征之间有相关性，特征和标签无关，特征太多或太小，或者干脆就无法表现出应有的数
据现象或无法展示数据的真实面貌
特征工程的目的：1) 降低计算成本，2) 提升模型上限
4. 建模，测试模型并预测出结果
5. 上线，验证模型效果

2 数据预处理和特征工程思维导图

在这里插入图片描述

3 代码实例

Step 1:导入函数工具箱

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 数据预处理：标准化
from sklearn.preprocessing import StandardScaler

import warnings
warnings.filterwarnings('ignore')
pd.set_option('display.max_columns', None)

Step 2:读取数据

df_train = pd.read_csv('used_car_train_20200313.csv', sep=' ')
df_test = pd.read_csv('used_car_testA_20200313.csv', sep=' ')

1) 合并训练集和测试集

df_feature = pd.concat([df_train, df_test], sort=False)
df_feature.head()

Step 3:EDA(见上章)

Step 4:数据预处理

1) 数据预处理：缺失值处理

# 将'-' 替换为 2， 并将'notRepairedDamage'数据类型由object转换为float类型
df_feature['notRepairedDamage'] = df_feature['notRepairedDamage'].replace('-', 2)
df_feature['notRepairedDamage'] = df_feature['notRepairedDamage'].astype('float')

2) 数据预处理: 删除seller、offerType字段

del df_feature['seller']
del df_feature['offerType']

3) 数据预处理：对价格price进行log转换

df_feature['price'] = np.log1p(df_feature['price'])

Step 5: 特征工程

1) 特征构造：分组统计

# 对name进行分组，然后统计个数
df_feature['name_count'] = df_feature.groupby(['name'])['SaleID'].transform('count')
df_feature['name_count'].shape

df_feature.head()

2) 数据预处理+特征构造:将月份为0的替换为1，提取注册年份

def date_parse(x):
    year = int(str(x)[:4])
    month = int(str(x)[4:6])
    day = int(str(x)[6:8])

    if month < 1:
        month = 1

    date = datetime(year, month, day)
    return date


df_feature['regDate'] = df_feature['regDate'].apply(date_parse)
df_feature['creatDate'] = df_feature['creatDate'].apply(date_parse)
df_feature['regDate_year'] = df_feature['regDate'].dt.year # 提取年

3) 特征构造：出厂时间(天数、年)

# 汽车出厂年限：汽车售卖日期减去注册日期
df_feature['car_age_day'] = (df_feature['creatDate'] - df_feature['regDate']).dt.days
df_feature['car_age_year'] = round(df_feature['car_age_day'] / 365, 1) # 保留一位小数
df_feature.head()