创造新的特征是一件十分困难的事情，需要丰富的专业知识和大量的时间。机器学习应用的本质基本上就是特征工程。——Andrew Ng

业内常说数据决定了模型效果上限，而机器学习算法是通过数据特征做出预测的，好的特征可以显著地提升模型效果。这意味着通过特征生成（即从数据设计加工出模型可用特征），是特征工程相当关键的一步。

本文从特征生成作用、特征生成的方法（人工设计、自动化特征生成）展开阐述并附上代码。

1 特征生成的作用

特征生成是特征提取中的重要一步，作用在于：

• 增加特征的表达能力，提升模型效果；(如体重除以身高就是表达健康情况的重要特征，而单纯看身高或体重，对健康情况表达就有限。)
• 可以融入业务上的理解设计特征，增加模型的可解释性；

2 数据情况分析

本文示例的数据集是客户的资金变动情况，如下数据字典：

cust_no：客户编号；I1 :性别；I2：年龄 ；E1：开户日期；  
B6 ：近期转账日期；C1 (后缀_fir表示上个月)：存款；C2：存款产品数； 
X1：理财存款；X2：结构性存款；  label：资金情况上升下降情况。

这里安利一个超实用Python库，可以一键数据分析（数据概况、缺失、相关性、异常值等等），方便结合数据分析报告做特征生成。

# 一键数据分析
import pandas_profiling

pandas_profiling.ProfileReport(df)

3  自动化特征生成

传统的特征工程方法通过人工构建特征，这是一个繁琐、耗时且容易出错的过程。自动化特征工程是通过Fearturetools等工具，从一组相关数据表中自动生成有用的特征的过程。对比人工生成特征会更为高效，可重复性更高，能够更快地构建模型。

3.1 FeatureTools上手

Featuretools是一个用于执行自动化特征工程的开源库，它有基本的3个概念：1）Feature Primitives(特征基元)：生成特征的常用方法，分为聚合(agg_primitives)、转换(trans_primitives)的方式。可通过如下代码列出featuretools的特征加工方法及简介。

import featuretools as ft

ft.list_primitives()

2）Entity(实体)  可以被看作类似Pandas DataFrame,  多个实体的集合称为Entityset。实体间可以根据关联键添加关联关系Relationship。

# df1为原始的特征数据
df1 = df.drop('label',axis=1)

# df2为客户清单(cust_no唯一值)
df2 = df[['cust_no']].drop_duplicates()
df2.head()

# 定义数据集
es = ft.EntitySet(id='dfs')

# 增加一个df1数据框实体
es.entity_from_dataframe(entity_id='df1',         
             dataframe=df1,
             index='id',
             make_index=True)

# 增加一个df2数据实体
es.entity_from_dataframe(entity_id='df2',         
             dataframe=df2,
             index='cust_no')


# 添加实体间关系：通过 cust_no键关联 df_1 和 df 2实体
relation1 = ft.Relationship(es['df2']['cust_no'], es['df1']['cust_no'])
es = es.add_relationship(relation1)

3）dfs(深度特征合成) ： 是从多个数据集创建新特征的过程，可以通过设置搜索的最大深度(max_depth)来控制所特征生成的复杂性

## 运行DFS特征衍生
features_matrix,feature_names = ft.dfs(entityset=es,
                                       target_entity='df2',
                                       relationships = [relation1],
                                       trans_primitives=['divide_numeric','multiply_numeric','subtract_numeric'],
                                       agg_primitives=['sum'],
                                       max_depth=2,n_jobs=1,verbose=-1)

3.2 FeatureTools问题点

4.2.1 内存溢出问题 Fearturetools是通过工程层面暴力生成所有特征的过程，当数据量大的时候，容易造成内存溢出。解决这个问题除了升级服务器内存，减少njobs，还有一个常用的是通过只选择重要的特征进行暴力衍生特征。

4.2.2 特征维度爆炸 当原始特征数量多，或max_depth、特征基元的种类设定较大，Fearturetools生成的特征数量巨大，容易维度爆炸。这是就需要考虑到特征选择、特征降维。