从原始数据创建新特征是改进模型的最佳方法之一
例如，数据有很长连续时间的，我们可以把最近一周的提取出来作为一个新的特征
1. 组合特征
最简单方法之一是组合特征
例如，如果一条记录的国家/地区为"CA"，类别为"Music"，则可以创建一个新值" CA_Music"
可以从所有分类特征中构建组合特征，也可以使用三个或更多特征进行交互，但是效果往往会变坏
interactions = ks['category']+'_'+ks['country']，像python一样直接相加
interactions.head(10)
0 Poetry_GB
1 Narrative Film_US
2 Narrative Film_US
3 Music_US
4 Film & Video_US
5 Restaurants_US
6 Food_US
7 Drinks_US
8 Product Design_US
9 Documentary_US
dtype: object
1
2
3
4
5
6
7
8
9
10
11
将新特征assign进数据
label_enc = LabelEncoder()
data_interaction = X.assign(category_country=
label_enc.fit_transform(interactions))
data_interaction.head()
1
2
3
4
2. 过去7天的数据
launched = pd.Series(ks.index, index=ks.launched, name="count_7_days").sort_index()
# 数据值为索引， 新的索引为建立的时间，新特征名称， 按索引(时间)排序
launched.head(20)
1
2
3
launched
1970-01-01 01:00:00 94579
1970-01-01 01:00:00 319002
1970-01-01 01:00:00 247913
1970-01-01 01:00:00 48147
1970-01-01 01:00:00 75397
1970-01-01 01:00:00 2842
1970-01-01 01:00:00 273779
2009-04-21 21:02:48 169268
2009-04-23 00:07:53 322000
2009-04-24 21:52:03 138572
2009-04-25 17:36:21 325391
2009-04-27 14:10:39 122662
2009-04-28 13:55:41 213711
2009-04-29 02:04:21 345606
2009-04-29 02:58:50 235255
2009-04-29 04:37:37 98954
2009-04-29 05:26:32 342226
2009-04-29 06:43:44 275091
2009-04-29 13:52:03 284115
2009-04-29 22:08:13 32898
Name: count_7_days, dtype: int64
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
发现最顶上的7个数据是错误的(时间一样)，本节里暂时不去考虑
.rolling('7d')，设置一个窗口
count_7_days = launched.rolling('7d').count()-1 # -1表示不包含当前日期
print(count_7_days.head(20))
1
2
launched
1970-01-01 01:00:00 0.0
1970-01-01 01:00:00 1.0
1970-01-01 01:00:00 2.0
1970-01-01 01:00:00 3.0
1970-01-01 01:00:00 4.0
1970-01-01 01:00:00 5.0
1970-01-01 01:00:00 6.0
2009-04-21 21:02:48 0.0
2009-04-23 00:07:53 1.0
2009-04-24 21:52:03 2.0
2009-04-25 17:36:21 3.0
2009-04-27 14:10:39 4.0
2009-04-28 13:55:41 5.0
2009-04-29 02:04:21 5.0
2009-04-29 02:58:50 6.0
2009-04-29 04:37:37 7.0
2009-04-29 05:26:32 8.0
2009-04-29 06:43:44 9.0
2009-04-29 13:52:03 10.0
2009-04-29 22:08:13 11.0
Name: count_7_days, dtype: float64
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
%matplotlib inline
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.plot(count_7_days[7:]);
plt.title("最近7天的数据")
plt.show()
1
2
3
4
5
6
把新特征数据，reindex后，跟原数据合并
count_7_days.index = launched.values
count_7_days = count_7_days.reindex(ks.index)
count_7_days.head(10)
1
http://news.39.net/zztjyy/200521/7913692.html
http://news.39.net/zztjyy/200521/7913710.html
2
3
0 1487.0
1 2020.0
2 279.0
3 984.0
4 752.0
5 522.0
6 708.0
7 1566.0
8 1048.0
9 975.0
Name: count_7_days, dtype: float64
1
2
3
4
5
6
7
8
9
10
11
X.join(count_7_days).head(10)，join合并
3. 上一个相同类型的项目的时间
比如，电影之类的上映，如果同类型的扎堆了，可能被对手抢占了份额
def time_since_last_project(series):
return series.diff().dt.total_seconds()/3600
df = ks[['category','launched']].sort_values('launched')
# 按时间排序
timedeltas = df.groupby('category').transform(time_since_last_project)
# 按分类分组，然后调用函数进行转换，算得上一个同类的时间跟自己的间隔是多少小时
timedeltas.head(20)
1
2
3
4
5
6
7
NaN 表示该类型是第一次出现，填上均值或者中位数
然后跟其他数据合并之前需要把index调整成一致
timedeltas = timedeltas.fillna(timedeltas.median()).reindex(X.index)
timedeltas.head(20)
1
2
4. 转换数值特征
Transforming numerical features，一些模型在数据分布是正态分布的时候，工作的很好，所以可以对数据进行开方、取对数转换
plt.hist(ks.goal, range=(0, 100000), bins=50);
plt.title('Goal');
1
2
plt.hist(np.sqrt(ks.goal), range=(0, 400), bins=50);
plt.title('Sqrt(Goal)');
1
2
plt.hist(np.log(ks.goal), range=(0, 25), bins=50);
plt.title('Log(Goal)');
1
2
log 转换对基于树的模型没有什么用，但是对线性模型或者神经网络有用
我们需要转成新的特征，然后做一些测试，选择效果最好的转换方法。