数据准备指南：10种基础特征工程方法的实战教程

   

    

     

      
来源：Deephub Imba
     
    
   
   

    

     

      

       

        

         本文约5000字，建议阅读9分钟
        
        

         本文深入探讨Transformer模型中三种关键的注意力机制：自注意力、交叉注意力和因果自注意力。
        
       
      
     
    
   

   

    

     

     

     

     

     

     

     

     

     

     

     

     

     

    
    
 import pandas as pd  # 用于数据处理和操作import numpy as np  # 用于数值计算import matplotlib.pyplot as plt  # 用于数据可视化import gensim.downloader as api  # 用于下载gensim提供的语料库from gensim.models import Word2Vec  # 用于词嵌入from sklearn.pipeline import Pipeline  # 用于构建数据处理管道from sklearn.decomposition import PCA  # 用于主成分分析from sklearn.datasets import load_iris  # 用于加载iris数据集from sklearn.impute import SimpleImputer  # 用于数据插补from sklearn.compose import ColumnTransformer  # 用于对数据集应用转换
from sklearn.feature_extraction.text import TfidfVectorizer  # 用于TF-IDF实现 from sklearn.preprocessing import MinMaxScaler, StandardScaler # 用于数据缩放
   

1、数据插补

1. 删除包含缺失值的行或列
2. 对缺失值进行插补
   ‍

1. 使用常数值填充（如0、1、2等）
2. 使用统计量填充（如均值或中位数）
3. 使用相邻数据值填充（如前值或后值）
4. 构建预测模型估计缺失值

   

     
   
   

    

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

    
    
data = pd.DataFrame({     'doors': [2, np.nan, 2, np.nan, 4],     'topspeed': [100, np.nan, 150, 200, np.nan],     'model': ['Daihatsu', 'Toyota', 'Suzuki', 'BYD','Wuling'] })
 doors_imputer = Pipeline(steps=[    ('imputer', SimpleImputer(strategy='constant', fill_value=4)) ])
 topspeed_imputer = Pipeline(steps=[    ('imputer', SimpleImputer(strategy='median')) ])
 pipeline = ColumnTransformer(     transformers=[        ('doors_imputer', doors_imputer, ['doors']),        ('topspeed_imputer', topspeed_imputer, ['topspeed'])    ],     remainder='passthrough' )
 transformed = pipeline.fit_transform(data)
 transformed_df = pd.DataFrame(transformed, columns=['doors', 'topspeed', 'model'])
   

2、数据分箱

1. 简化数据，将连续值转换为离散类别
2. 处理非线性关系
3. 减少数据中的噪声和异常值

   

    

     

     

     

     

     

     

    
    
np.random.seed(42) data = pd.DataFrame({'age' : np.random.randint(0, 100, 100)}) data['category'] = pd.cut(data['age'], [0, 2, 11, 18, 65, 101], labels=['infants', 'children', 'teenagers', 'adults', 'elders']) print(data) print(data['category'].value_counts()) data['category'].value_counts().plot(kind='bar')
   

3、对数变换

   

    

     

     

     

     

     

     

     

     

     

     

    
    
 rskew_data = np.random.exponential(scale=2, size=100)
 log_data = np.log(rskew_data)
 plt.title('Right Skewed Data') plt.hist(rskew_data, bins=10) plt.show() plt.title('Log Transformed Data') plt.hist(log_data, bins=20) plt.show()
   

4、数据缩放

• 最小-最大缩放：将数据调整到[0, 1]区间
• 标准化：将数据调整为均值为0，标准差为1的分布

   

    

     

     

     

     

     

     

     

     

     

     

    
    
 data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]).reshape(-1, 1)
 scaler = MinMaxScaler() minmax = scaler.fit_transform(data)
 scaler = StandardScaler() standard = scaler.fit_transform(data)
 df = pd.DataFrame({'original':data.flatten(),'Min-Max Scaling':minmax.flatten(),'Standard Scaling':standard.flatten()}) df
   

5、One-Hot编码

1. 对于分类特征中的每个唯一值，创建一个新的二进制列。
2. 在新创建的列中，如果原始数据中出现了相应的分类值，则标记为1，否则为0。

   

    

     

     

     

     

    
    
 data = pd.DataFrame({'models':['toyota','ferrari','byd','lamborghini','honda','tesla'],                     'speed':['slow','fast','medium','fast','slow','medium']}) data = pd.concat([data, pd.get_dummies(data['speed'], prefix='speed')],axis=1) data
   
   

    

   

6、目标编码

1. 对于分类特征中的每个类别，计算对应的目标变量统计量（如均值）。
2. 用计算得到的统计量替换原始的类别值。
   ‍

   

    

     

     

     

     

     

     

     

     

    
    
fruits = ['banana','apple','durian','durian','apple','banana'] price = [120,100,110,150,140,160] data = pd.DataFrame({   'fruit': fruits,   'price': price }) data['encoded_fruits'] = data.groupby('fruit')['price'].transform('mean') data
   

1. 可能导致数据泄露，特别是在不做适当的交叉验证的情况下。
2. 对异常值敏感，可能需要进行额外的异常值处理。
3. 在测试集中遇到训练集中未出现的类别时，需要有合适的处理策略。

7、主成分分析（PCA）

1. 数据标准化
2. 计算协方差矩阵
3. 计算协方差矩阵的特征值和特征向量
4. 选择主成分
5. 投影数据到新的特征空间

   

    

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

     

    
    
 iris_data = load_iris() features = iris_data.data targets = iris_data.target
 features.shape # 输出: (150, 4)
 pca = PCA(n_components=2) pca_features = pca.fit_transform(features)
 pca_features.shape # 输出: (150, 2)
 for point in set(targets):     plt.scatter(pca_features[targets == point, 0], pca_features[targets == point,1], label=iris_data.target_names[point]) plt.xlabel('PCA Component 1') plt.ylabel('PCA Component 2') plt.title('PCA on Iris Dataset') plt.legend() plt.show()
   

1. 减少数据的维度，降低计算复杂度。
2. 去除噪声和冗余信息。
3. 有助于数据可视化。

1. 可能导致一定程度的信息损失。
2. 转换后的特征难以解释，因为每个主成分都是原始特征的线性组合。
3. 仅捕捉线性关系，对于非线性关系效果可能不佳。

8、 特征聚合

1. 统计聚合：如平均值、中位数、最大值、最小值等。
2. 时间聚合：如按天、周、月等时间单位聚合数据。
3. 分组聚合：根据某些类别特征对数据进行分组，然后在每个组内进行聚合。

   

    

     

     

     

     

     

     

     

     

     

     

     

     

     

    
    
 quarter = ['Q1','Q2','Q3','Q4'] car_sales = [10000,9850,13000,20000] motorbike_sales = [14000,18000,9000,11000] sparepart_sales = [5000, 7000,3000, 10000]
 data = pd.DataFrame({'car':car_sales,     'motorbike':motorbike_sales,     'sparepart':sparepart_sales}, index=quarter)
 data['avg_sales'] = data[['car','motorbike','sparepart']].mean(axis=1).astype(int) data['total_sales'] = data[['car','motorbike','sparepart']].sum(axis=1).astype(int)
 data
   

1. 'avg_sales'：每个季度不同产品的平均销售额。
2. 'total_sales'：每个季度所有产品的总销售额。

1. 可以捕捉多个特征之间的关系。
2. 减少特征的数量，有助于模型的解释和计算效率。
3. 可能创造出更有预测力的特征。

1. 聚合可能会导致一些细节信息的丢失。
2. 需要领域知识来决定哪些聚合是有意义的。
3. 过度聚合可能会导致过拟合。

9、TF-IDF（词频-逆文档频率）

1. 词频（TF）：衡量一个词在文档中出现的频率。计算公式为：TF(t,d) = (词t在文档d中出现的次数) / (文档d中的总词数)
2. 逆文档频率（IDF）：衡量一个词在整个文档集中的普遍重要性。计算公式为：IDF(t) = log(总文档数 / 包含词t的文档数)

   

    

     

     

     

     

     

     

     

     

     

     

    
    
 texts = ["I eat rice with eggs.",         "I also love to eat fried rice. Rice is the most delicious food in the world"]  vectorizer = TfidfVectorizer() tfidfmatrix = vectorizer.fit_transform(texts) features = vectorizer.get_feature_names_out() data = pd.DataFrame(tfidfmatrix.toarray(), columns=features)  print("TF-IDF matrix") data
   

• 第一行代表句子 "I eat rice with eggs."
• 第二行代表句子 "I also love to eat fried rice. Rice is the most delicious food in the world"

1. 能够反映词语在文档中的重要程度。
2. 可以过滤掉常见词语，突出关键词。
3. 计算简单，易于理解和实现。

1. 没有考虑词序和语法结构。
2. 对于极短文本可能效果不佳。
3. 不能捕捉词语之间的语义关系。

10、文本嵌入

1. Word2Vec
2. GloVe (Global Vectors for Word Representation)
3. FastText
4. BERT (Bidirectional Encoder Representations from Transformers)

 corpus = api.load('text8')   model = Word2Vec(corpus)   dog = model.wv['dog'] print("Embedding vector for 'dog':\n", dog)

 cat = model.wv['cat'] car = model.wv['car']
 dogvscat = model.wv.similarity('dog','cat') dogvscar = model.wv.similarity('dog','car')
 print("Similarity:") print("Dog vs Cat: ", dogvscat) print("Dog vs Car: ", dogvscar)

1. 能够捕捉词语之间的语义关系。
2. 可以处理高维稀疏的文本数据，将其转换为低维稠密的向量表示。
3. 通过迁移学习，可以在小规模数据集上也能获得良好的表现。

1. 训练高质量的嵌入模型通常需要大量的文本数据和计算资源。
2. 词语的多义性可能无法被单一的静态向量完全捕捉。
3. 对于特定领域的任务，可能需要在领域特定的语料上重新训练或微调嵌入模型。

总结