特征构造和降维

news2024/9/19 11:02:26

特征构造（Feature Engineering）

特征构造是从现有数据中创建新的特征，以揭示数据中的隐藏关系，从而提高模型表现。这是数据预处理中一个关键步骤，可以显著提升模型的性能。

原理

通过特征构造，我们可以利用现有特征之间的关系来创建新的特征。例如，对于两个特征 x1 和 x2，我们可以构造它们的交互特征 x1× x2：

此外，可以使用各种数学运算、统计量或领域知识来构造新的特征，以揭示数据中的隐藏关系。

案例：在线购物平台数据

假设我们有一个在线购物平台的用户行为数据集，其中包含用户的基本信息和购买行为数据，如访问次数、购买次数、平均购买金额等。我们将通过特征构造，创建一些新的特征，如每次访问的平均购买金额和购买率，并进行可视化分析。

数据描述

user_id：用户ID
visits：访问次数
purchases：购买次数
total_spent：总消费金额

Python代码

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

# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({
    'user_id': range(1, 101),
    'visits': np.random.randint(1, 20, 100),
    'purchases': np.random.randint(0, 10, 100),
    'total_spent': np.random.uniform(10, 1000, 100)
})

# 构造新特征
data['avg_spent_per_visit'] = data['total_spent'] / data['visits']
data['purchase_rate'] = data['purchases'] / data['visits']

# 显示前几行数据
print("数据集前几行:")
print(data.head())

# 绘制图形
plt.figure(figsize=(14, 6))

# 图形1：每次访问的平均购买金额与总消费金额的关系
plt.subplot(1, 2, 1)
sns.scatterplot(x=data['avg_spent_per_visit'], y=data['total_spent'])
plt.title('Avg Spent per Visit vs Total Spent')
plt.xlabel('Avg Spent per Visit ($)')
plt.ylabel('Total Spent ($)')

# 图形2：购买率与总消费金额的关系
plt.subplot(1, 2, 2)
sns.scatterplot(x=data['purchase_rate'], y=data['total_spent'])
plt.title('Purchase Rate vs Total Spent')
plt.xlabel('Purchase Rate')
plt.ylabel('Total Spent ($)')

plt.tight_layout()
plt.show()

# 更多图形
plt.figure(figsize=(14, 6))

# 图形3：访问次数与总消费金额的关系
plt.subplot(1, 2, 1)
sns.scatterplot(x=data['visits'], y=data['total_spent'])
plt.title('Visits vs Total Spent')
plt.xlabel('Visits')
plt.ylabel('Total Spent ($)')

# 图形4：每次访问的平均购买金额的分布
plt.subplot(1, 2, 2)
sns.histplot(data['avg_spent_per_visit'], kde=True)
plt.title('Distribution of Avg Spent per Visit')
plt.xlabel('Avg Spent per Visit ($)')
plt.ylabel('Frequency')

plt.tight_layout()
plt.show()

代码解析

生成示例数据：创建一个包含用户访问和购买行为的示例数据集，包括用户ID、访问次数、购买次数和总消费金额。
构造新特征：

- avg_spent_per_visit：每次访问的平均购买金额，通过总消费金额除以访问次数计算得到。
- purchase_rate：购买率，通过购买次数除以访问次数计算得到。

显示前几行数据：输出数据集的前几行，以便检查数据和新特征的正确性。
绘制图形：

- 图形1：展示每次访问的平均购买金额与总消费金额的关系。使用散点图来观察不同用户的购买行为。
- 图形2：展示购买率与总消费金额的关系。使用散点图来观察购买率对总消费金额的影响。

- 图形3：展示访问次数与总消费金额的关系。使用散点图来观察不同访问次数用户的消费情况。
- 图形4：展示每次访问的平均购买金额的分布。使用直方图和核密度估计（KDE）来观察每次访问的平均购买金额的分布情况。

通过这个生活场景的案例，我们可以看到特征构造如何揭示数据中的隐藏关系，并帮助我们更好地理解和分析数据。构造的新特征不仅可以提高模型的表现，还可以为数据分析提供更多有价值的视角。

降维（Dimensionality Reduction）

降维是减少特征数量的技术，旨在保留数据的主要信息。常用的方法包括主成分分析（PCA）和线性判别分析（LDA）。通过降维，可以减少数据的复杂性，消除噪声，并提高模型的性能。

原理

主成分分析（PCA）：

1. 数据中心化：将数据集的每个特征减去其均值。
2. 计算协方差矩阵：描述数据的协方差信息。
3. 特征值分解：对协方差矩阵进行特征值分解，得到特征值和特征向量。
4. 选择前k个最大特征值对应的特征向量构成变换矩阵。
5. 变换数据：用变换矩阵将原始数据投影到低维空间。

核心公式：

案例：客户购买行为数据

假设我们有一个大型超市的客户购买行为数据集，其中包含多个特征，如客户年龄、月均购买次数、月均消费金额、购买种类数等。我们将通过PCA和t-SNE降维方法，将数据从高维降到二维，以便可视化分析。

数据描述

customer_id：客户ID
age：年龄
avg_purchases_per_month：月均购买次数
avg_spent_per_month：月均消费金额
purchase_variety：购买种类数

Python代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE

# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({
    'customer_id': range(1, 101),
    'age': np.random.randint(18, 70, 100),
    'avg_purchases_per_month': np.random.randint(1, 30, 100),
    'avg_spent_per_month': np.random.uniform(100, 5000, 100),
    'purchase_variety': np.random.randint(1, 20, 100)
})

# 提取特征列
features = data[['age', 'avg_purchases_per_month', 'avg_spent_per_month', 'purchase_variety']]

# 使用PCA将数据降到2维
pca = PCA(n_components=2)
data_pca = pca.fit_transform(features)

# 使用t-SNE将数据降到2维
tsne = TSNE(n_components=2, random_state=42)
data_tsne = tsne.fit_transform(features)

# 绘制PCA降维后的数据
plt.figure(figsize=(14, 6))

plt.subplot(1, 2, 1)
scatter = plt.scatter(data_pca[:, 0], data_pca[:, 1], c=data['age'], cmap='viridis', alpha=0.7)
plt.colorbar(scatter, label='Age')
plt.title('PCA of Customer Data')
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')

# 绘制t-SNE降维后的数据
plt.subplot(1, 2, 2)
scatter = plt.scatter(data_tsne[:, 0], data_tsne[:, 1], c=data['age'], cmap='viridis', alpha=0.7)
plt.colorbar(scatter, label='Age')
plt.title('t-SNE of Customer Data')
plt.xlabel('t-SNE Component 1')
plt.ylabel('t-SNE Component 2')

plt.show()

# 计算PCA的前两个主成分的解释方差比
explained_variance = pca.explained_variance_ratio_
print(f'Explained variance by the first two principal components: {explained_variance[0]:.2f}, {explained_variance[1]:.2f}')

# 用Seaborn绘制Pairplot图（可以绘制更多维度，但这里只选前两个维度示范）
df_pca = pd.DataFrame(data_pca, columns=['PC1', 'PC2'])
df_pca['age'] = data['age']

sns.pairplot(df_pca, hue='age', palette='viridis')
plt.suptitle('Pairplot of PCA Components', y=1.02)
plt.show()