二手车价格预测比赛-特征工程

特征工程分为：
1、数据理解
2、数据清洗
3、特征构造
4、特征选择
5、类别不平衡

数据清洗：
1、特征变换：encoder编码、标准化
2、缺失值：不处理、删除、补全
3、异常值：箱型图离群点等
4、其他：删除无效列、更改dtypes、删除列中字符串、日期格式转换

特征构造：
目的：增强数据表达，添加先验知识
1、统计量特征：计数、求和、比例、标准差
2、时间特征：绝对时间、相对时间、节假日、双休日
3、地理信息：分桶
4、非线性变换：取log、平方、开根
5、数据分桶：等频、等距
6、特征组合/特征交叉

特征选择：
目的：平衡预测能力和计算复杂度；降低噪声，增强预测性能
1、过滤式：先特征选择，再给模型学习。包括：relief、方差选择（方差大的含信息量多）、相关系数、卡方检验、互信息法
2、包裹式：直接把学习的性能作为评价标准，衡量最好的特征子集。具体方法有：Las Vegas Wrapper (LVW)
3、嵌入式：结合过滤式和包裹式，在机器学习过程中进行了特征选择。具体方法：LR+L1或决策树

类别不平衡：
缺点：少类别提供的信息太少，没有学会如何判别少数类
1、扩充数据集
2、尝试其他评价指标，AUC等
3、调整 $\theta$ 值；（针对LR，调整阈值，默认是按0.5分类，可改成0.1）
4、重采样：过采样/欠采样
5、合成样本：SMOTE
6、选择其他模型，如决策树
7、加权少类别样本的错分代价
8、创新：a)将大类分解成多个小类；b)将小类视为异常点，使用异常检测模型来建模。

代码实战
1、利用箱线图删除异常值，直接调用下面函数。

# 这里我包装了一个异常值处理的代码，可以随便调用。
def outliers_proc(data, col_name, scale=3):
    """
    用于清洗异常值，默认用 box_plot（scale=3）进行清洗
    :param data: 接收 pandas 数据格式
    :param col_name: pandas 列名
    :param scale: 尺度
    :return:
    """

    def box_plot_outliers(data_ser, box_scale):
        """
        利用箱线图去除异常值
        :param data_ser: 接收 pandas.Series 数据格式
        :param box_scale: 箱线图尺度，
        :return:
        """
        iqr = box_scale * (data_ser.quantile(0.75) - data_ser.quantile(0.25))
        val_low = data_ser.quantile(0.25) - iqr
        val_up = data_ser.quantile(0.75) + iqr
        rule_low = (data_ser < val_low)
        rule_up = (data_ser > val_up)
        return (rule_low, rule_up), (val_low, val_up)

    data_n = data.copy()
    data_series = data_n[col_name]
    rule, value = box_plot_outliers(data_series, box_scale=scale)
    index = np.arange(data_series.shape[0])[rule[0] | rule[1]]
    print("Delete number is: {}".format(len(index)))
    data_n = data_n.drop(index)
    data_n.reset_index(drop=True, inplace=True)
    print("Now column number is: {}".format(data_n.shape[0]))
    index_low = np.arange(data_series.shape[0])[rule[0]]
    outliers = data_series.iloc[index_low]
    print("Description of data less than the lower bound is:")
    print(pd.Series(outliers).describe())
    index_up = np.arange(data_series.shape[0])[rule[1]]
    outliers = data_series.iloc[index_up]
    print("Description of data larger than the upper bound is:")
    print(pd.Series(outliers).describe())
    
    fig, ax = plt.subplots(1, 2, figsize=(10, 7))
    sns.boxplot(y=data[col_name], data=data, palette="Set1", ax=ax[0])
    sns.boxplot(y=data_n[col_name], data=data_n, palette="Set1", ax=ax[1])
    return data_n

Train_data = outliers_proc(Train_data, 'power', scale=3)

2、训练集和测试集放在一起，方便构造特征

Train_data['train']=1
Test_data['train']=0
data = pd.concat([Train_data, Test_data], ignore_index=True)

3、日期格式转换
不过要注意，数据里有时间出错的格式，所以我们需要 errors='coerce'，这样进行转换后可能会由于格式错误，而产生新的空值。

data['creatDate'] = pd.to_datetime(data['creatDate'], format='%Y%m%d', errors='coerce')          
data['regDate'] =pd.to_datetime(data['regDate'], format='%Y%m%d', errors='coerce')
data['used_time'] =(data['creatDate']-data['regDate'] ).dt.days

4、检查某列有多少个空值
空值如果太多，不建议删除，可以放着，因为xgboost之类的决策树，本身就可以处理缺失值，所以可以不用管

data['used_time'].isnull().sum()

5、计算某品牌的统计量
这里要以train数据计算统计量，因为test数据没有标签，不能算某品牌的平均价格等等.
先计算了40个品牌的统计量，再按照品牌merge到train数据中。

Train_gb = Train_data.groupby("brand")
all_info = {}
for kind, kind_data in Train_gb:
    info = {}
    kind_data = kind_data[kind_data['price'] > 0]
    info['brand_amount'] = len(kind_data)
    info['brand_price_max'] = kind_data.price.max()
    info['brand_price_median'] = kind_data.price.median()
    info['brand_price_min'] = kind_data.price.min()
    info['brand_price_sum'] = kind_data.price.sum()
    info['brand_price_std'] = kind_data.price.std()
    info['brand_price_average'] = round(kind_data.price.sum() / (len(kind_data) + 1), 2)
    all_info[kind] = info
brand_fe = pd.DataFrame(all_info).T.reset_index().rename(columns={"index": "brand"})
print(brand_fe)
data = data.merge(brand_fe, how='left', on='brand')
data

6、数据分桶
数据分桶以 power 为例
做数据分桶的原因：

1. 离散后稀疏向量内积乘法运算速度更快，计算结果也方便存储，容易扩展；
1. 离散后的特征对异常值更具鲁棒性，如 age>30 为 1 否则为 0，对于年龄为 200 的也不会对模型造成很大的干扰；
1. LR 属于广义线性模型，表达能力有限，经过离散化后，每个变量有单独的权重，这相当于引入了非线性，能够提升模型的表达能力，加大拟合；
1. 离散后特征可以进行特征交叉，提升表达能力，由 M+N 个变量编成M*N 个变量，进一步引入非线形，提升了表达能力；
1. 特征离散后模型更稳定，如用户年龄区间，不会因为用户年龄长了一岁就变化
当然还有很多原因，LightGBM 在改进 XGBoost 时就增加了数据分桶，增强了模型的泛化性

bin = [i*10-1 for i in range(31)]
data['power_bin'] = pd.cut(data['power'], bin, labels=False)
data[['power_bin', 'power']].head()

7、删除不需要的特征列

data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1)

8、归一化
查看数据分布，train的power 分布比较正常，但test集分布还是很长尾。这是由于我们在第一步的时候，就把train中的异常值删除了。
这种办法不太好，其实应该使用长尾截断的方法，比如大于400的，都变为400。
查看数据分布的代码：

data['power'].plot.hist()

数据分布

我们对其取 log，再做归一化，这里注意要用train数据的最大最小值，而不是所有数据的。

from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
data['power'] = np.log(data['power'] + 1) 
data['power'] = ((data['power'] - np.min(Train_data['power'])) / (np.max(Train_data['power']) - np.min(Train_data['power'])))
data['power'].plot.hist()

对于长尾，可以用长尾截断，可以取log。
9、对类别进行one-hot编码
LR模型不支持直接使用类别，需要one-hot编码

data = pd.get_dummies(data, columns=['model', 'brand', 'bodyType', 'fuelType','gearbox', 'notRepairedDamage', 'power_bin'])

10、特征选择
过滤式
查看相关性

print(data['power'].corr(data['price'], method='spearman'))

这里用spearman相关系数。而不是皮尔森，因为皮尔森要求正态分布。
如果要好看一点，可以画热力图：

data_numeric = data[['power', 'kilometer', 'brand_amount', 'brand_price_average', 
                     'brand_price_max', 'brand_price_median']]
correlation = data_numeric.corr()

f , ax = plt.subplots(figsize = (7, 7))
plt.title('Correlation of Numeric Features with Price',y=1,size=16)
sns.heatmap(correlation,square = True,  vmax=0.8)

包裹式
安装mlxtend库

!pip install mlxtend -i https://pypi.tuna.tsinghua.edu.cn/simple

在jupyter notebook里面，可以直接在最前面加一个“！”，后面使用pip命令。

 #k_feature 太大会很难跑，没服务器，所以提前 interrupt 了
from mlxtend.feature_selection import SequentialFeatureSelector as SFS
from sklearn.linear_model import LinearRegression
sfs = SFS(LinearRegression(),
           k_features=10,
           forward=True,
           floating=False,
           scoring = 'r2',
           cv = 0)
x = data.drop(['price'], axis=1)
x = x.fillna(0)
y = data['price']
sfs.fit(x, y)
sfs.k_feature_names_

# 画出来，可以看到边际效益
from mlxtend.plotting import plot_sequential_feature_selection as plot_sfs
import matplotlib.pyplot as plt
fig1 = plot_sfs(sfs.get_metric_dict(), kind='std_dev')
plt.grid()
plt.show()