一、什么是特征工程

机器学习领域的大神Andrew Ng(吴恩达)老师说“Coming up with features is difficult, time-consuming, requires expert knowledge. “Applied machine learning” is basically feature engineering. ”
注：业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已

特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程
意义：会直接影响机器学习的效果

二、用什么做特征工程

目前就是sklearn

三、特征工程的位置与数据处理的比较

1、pandas
一个数据读取非常方便以及基本的处理格式的工具

2、sklearn
对于特征的处理提供了强大的接口

3、特征工程包含内容
（1）特征抽取
（2）特征预处理
（3）特征降维

4、特征抽取/特征提取
比如有一篇英文短文，要对文章进行分类：
机器学习算法 -- 统计方法 -- 数学公式
数学公式不能处理字符串，要把文本字符串转换成数值的类型
问题：文本类型转换成数值怎么转？

分类船仓位
问题：类型转换成数值？
onehot编码或者哑变量

四、特征提取

1、什么是特征提取
将任意数据（如文本或图像）转换为可用于机器学习的数字特征
注：特征值化是为了计算机更好的去理解数据
（1）字典特征提取（特征离散化）
（2）文本特征提取
（3）图像特征提取（深度学习将介绍）

2、特征提取API
sklearn.feature_extraction