机器学习——1.Sklearn：特征工程

目录

scikit-learn数据集API介绍

sklearn小数据集

sklearn大数据集

sklearn数据集的使用

数据集的划分

特征工程

特征抽取/特征提取

特征提取API

字典特征提取

文本特征提取

中文文本特征值抽取

停用词

中文文本特征值抽取分词处理

文本特征抽取TfidfVevtorizer

特征预处理

归一化

标准化

特征降维

降维

特征选择

过滤式

主成分分析（PCA）

what？

API

案例：探究用户对物品类别的喜好细分降维

步骤

---

scikit-learn数据集API介绍

sklearn.datasets用来加载获取流行数据集

• datasets.load_*() ：获取小规模数据集，数据包含在datasets中
• datasets.fetch_*(data_home=None)：获取大规模数据集，需要从网络上下载，函数的第一个参数是data_home，表示数据集下载的目录，默认是~/scikit_learn_data/

sklearn小数据集

以鸢尾花为例

sklearn.datasets.load_iris()：加载并返回鸢尾花数据集

名称	数量
类别	3
特征	4
样本数量	150
每个类别数量	50

sklearn大数据集

sklearn.datasets.fetch_20newsgroups(data_home=None,subset='train')

• subset：'train'或者'test','all',可选，选择要加载的数据集。
• 训练集的“训练”，测试集的“测试”，两者的“全部”

sklearn数据集的使用

sklearn数据集返回值介绍

load和fetch返回的数据类型datasets.base.Bunch（这个是字典格式的）

• data:特征数据数组，是二维数组
• target：标签数组，是目标值
• DESCR：数据描述
• feature_names：特征的名字
• target_names：目标值的名字

可以用两种方式获取值

1. dict["key"] = values
2. bunch.key = values

数据集的划分

训练数据：用于训练，构建模型

测试数据：在模型检验时使用，用于评估模型是否有效

测试集：20%~30%

sklearn.model_selection.train_test_split(arrays, *options)

• x数据集的特征值
• y数据集的标签值
• test_size测试集的大小，一般为float
• random_state随机数种子，不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
• return训练集特征值（x_train），测试集特征值(x_test)，训练集目标值(y_train)，测试集目标值(y_test)

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
def  datasets_demo():
    # 获取数据集
    iris = load_iris()
    print(iris)
    print("特征数据\n", iris["data"])
    print("目标值\n", iris.target)
    print("数据描述\n", iris["DESCR"])
    print("特征的名字\n", iris.feature_names)
    print("目标值名字\n", iris.target_names)

    # 数据集的划分
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
    # shape是看有多少行多少列
    print("训练集的特征值：\n", x_train, x_train.shape)

if __name__ == "__main__":
    datasets_demo()

---

特征工程

对特征进行处理

sklearn特征工程

pandas数据清洗、数据处理

特征抽取/特征提取

有些数据不能被直接处理，所以要用一种方式将它转换

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（特征值化是为了计算机更好的去理解数据）

• 字典特征提取（特征离散化）
• 文本特征提取
• 图像特征提取（深度学习）

特征提取API

sklearn.feature_extraction

字典特征提取

作用：对字典数据进行特征值化

sklearn.feature_extraction.DictVectorizer(sparse=True,...)

• DictVectorizer.fit_transform(X) X:字典或者包含字典的迭代器返回值：返回sparse矩阵（系稀疏矩阵）
• DictVectorizer.inverse_transform(X) X:array数组或者sparse矩阵 返回值：转换之前的数据格式
• DictVectorizer.get_feature_names() 返回类别名称

vector 数学：向量 物理：矢量

• 矩阵 matrix 二维数组
• 向量 vector 一维数组

父类：转换器类

from sklearn.feature_extraction import DictVectorizer
def  dict_demo():
    data = [{'city': '北京', 'temperature': 100}, {'city': '上海', 'temperature': 60}, {'city': '深圳', 'temperature': 30}]
    # 1.实例化一个转换器类
    transfer = DictVectorizer()
    # 2.调用fit_transform()
    data_new = transfer.fit_transform(data)
    print("data_new:\n", data_new)
    print("特征值名称：\n", transfer.get_feature_names())
    
if __name__ == "__main__":
    dict_demo()

返回结果是一个稀疏（sparse）矩阵

• 将非零值按位置表示出来
• 节省内存，提高加载效率

将改为：transfer = DictVectorizer(sparse=False)返回二维数组效果为

 第一张结果图表示的是第二张结果图的非零值的位置

应用场景

• 数据集中类别特征比较多

1. 将数据集的特征-->字典类型
2. DictVectorizer转换

• 本身拿到的数据就是字典类型

文本特征提取

作用：对文本数据进行特征值化

以单词作为特征

sklearn.feature_extraction.text.CountVectorizer(stop_words=[]) 返回的是词频矩阵，统计每个样本特征值出现次数

• CountVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象，返回值：返回sparse矩阵
• CountVectorizer.inverse_transform(X) X:array数组或者sparse矩阵，返回值：转换之前数据格
• CountVectorizer.get_feature_names() 返回值：单词列表

from sklearn.feature_extraction.text import CountVectorizer
def  count_demo():
    data = ["life is short,i like like python", "life is too long,i dislike python"]
    # 1.实例化一个转换器类
    transfer = CountVectorizer()
    # 2.调用fit_transform()
    data_new = transfer.fit_transform(data)
    print("data_new:\n", data_new)
    print("特征值名称：\n", transfer.get_feature_names_out())

if __name__ == "__main__":
    count_demo()

将结果转为二维数组

from sklearn.feature_extraction.text import CountVectorizer
def  count_demo():
    data = ["life is short,i like like python", "life is too long,i dislike python"]
    # 1.实例化一个转换器类
    transfer = CountVectorizer()
    # 2.调用fit_transform()
    data_new = transfer.fit_transform(data)
    # CountVectorizer()不可以设置sparse矩阵
    # toarray()方法可以将sparse矩阵转成二维数组
    print("data_new:\n", data_new.toarray())
    print("特征值名称：\n", transfer.get_feature_names_out())

if __name__ == "__main__":
    count_demo()

中文文本特征值抽取

from sklearn.feature_extraction.text import CountVectorizer
def  count_chinese_demo():
    data = ["我爱吃火锅", "我爱喝奶茶"]
    # 1.实例化一个转换器类
    transfer = CountVectorizer()
    # 2.调用fit_transform()
    data_new = transfer.fit_transform(data)
    # CountVectorizer()不可以设置sparse矩阵
    # toarray()方法可以将sparse矩阵转成二维数组
    print("data_new:\n", data_new.toarray())
    print("特征值名称：\n", transfer.get_feature_names_out())

if __name__ == "__main__":
    count_chinese_demo()

中文自动把短句子当成了特征值，不能区分单词，要手动分割

data = ["我 爱 吃火锅", "我 爱 喝奶茶"]

停用词

stop_words停用的

可以手动写，也可以去找停用词表

from sklearn.feature_extraction.text import CountVectorizer
def  count_demo():
    data = ["life is short,i like python", "life is too long,i dislike python"]
    # 1.实例化一个转换器类
    # 加停用词
    transfer = CountVectorizer(stop_words=["is", "too"])
    # 2.调用fit_transform()
    data_new = transfer.fit_transform(data)
    # CountVectorizer()不可以设置sparse矩阵
    # toarray()方法可以将sparse矩阵转成二维数组
    print("data_new:\n", data_new.toarray())
    print("特征值名称：\n", transfer.get_feature_names_out())

if __name__ == "__main__":
    count_demo()

中文文本特征值抽取分词处理

用jieba进行分词

需要安装jieba库

pip install jieba

步骤

• 利用jieba.cut进行分词
• 实例化CountVectorizer
• 将分词结果变成字符串当做fit_transform的输入值

from sklearn.feature_extraction.text import CountVectorizer
import jieba
def  count_demo():
    data = ["我超喜欢吃火锅，每天都去吃火锅", "我很讨厌吃芒果，我每天都不吃"]
    data_new = []
    for sent in data:
        data_new.append(cut_word(sent))
    # 1.实例化一个转换器类
    transfer = CountVectorizer()
    # 2.调用fit_transform()
    data_final = transfer.fit_transform(data_new)
    # CountVectorizer()不可以设置sparse矩阵
    # toarray()方法可以将sparse矩阵转成二维数组
    print("data_new:\n", data_final.toarray())
    print("特征值名称：\n", transfer.get_feature_names_out())

def cut_word(text):
    return " ".join(list(jieba.cut(text)))

if __name__ == "__main__":
    count_demo()

文本特征抽取TfidfVevtorizer

计算词的重要程度

关键词：在某一类别的文章中，出现的次数很多，但是在其他类别的文章中出现很少

Tf-idf文本特征提取用来衡量一个词的主要程度

• tf：词频
• idf：逆向文档频率

idf计算公式：总文件数目除以包含该词语之文件的数目，再将得到的商取以10为底的对数得到

tf-idf计算公式：

例如：有1000篇文章，有100篇文章出现了“非常”，文章A（100词）：出现10次“非常”

tf：10/100 = 0.1

idf：

tf-idf：0.1

API

sklearn.feature_extraction.text.TfidfVectorizer(stop_words=None,...)

返回词的权重矩阵

TfidfVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象，返回值：sparse矩阵

TfidfVectorizer.inverse_transform(X) X:array数组或者sparse矩阵，返回值：转换之前数据格式

TfidfVectorizer.get_feature_names() 返回值：单词列表

from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizer
import jieba
def  count_demo():
    data = ["我超喜欢吃火锅，每天都去吃火锅", "我很讨厌吃芒果，我每天都不吃"]
    data_new = []
    for sent in data:
        data_new.append(cut_word(sent))
    # 1.实例化一个转换器类
    transfer = TfidfVectorizer()
    # 2.调用fit_transform()
    data_final = transfer.fit_transform(data_new)
    # CountVectorizer()不可以设置sparse矩阵
    # toarray()方法可以将sparse矩阵转成二维数组
    print("data_new:\n", data_final.toarray())
    print("特征值名称：\n", transfer.get_feature_names_out())

def cut_word(text):
    return " ".join(list(jieba.cut(text)))

if __name__ == "__main__":
    count_demo()

---

特征预处理

sklearn.preprocessing

为什么进行归一化/标椎化

要将不同规格的数据转换到同一规格（因为可能会出现一些数据过大一些数据过小）

无量纲化

归一化

通过对原始数据进行变换把数据映射到（默认为[0,1]）之间

稳定性较差，只适用于传统精确小数据场景

公式

作用于每一列，max为一列的最大值，min为一列的最小值，为最终结果，mx，mi分别为指定区间值默认mx为1，mi为0

API

sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)...)

MinMaxScaler.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]，返回值：转换后的形状相同的array

from sklearn.preprocessing import MinMaxScaler
import pandas as pd

def  minmax_demo():
    # 1.获取数据
    data = pd.read_csv("dating.txt")
    data = data.iloc[:, :3]
    print("data:\n", data)
    # 2.实例化一个转换器类
    transfer = MinMaxScaler()
    # 也可以自己去设定归一化范围
    # transfer = MinMaxScaler(feature_range=[2,3])
    # 3.调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new:\n", data_new)

if __name__ == "__main__":
    minmax_demo()

标准化

通过对原始数据进行变换把数据变换到均值为0，标准差为1的范围内

在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据场景

公式

作用于每一列，mean为平均值，σ为标准差

API

sklearn.preprocessing.StandardScaler()

• 处理之后，对于每列来说，所有数据都聚集在均值为0的附近，标准差为1
• StandardScaler.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]
• 返回值：转换后的形状相同的array

from sklearn.preprocessing import StandardScaler
import pandas as pd

def  minmax_demo():
    # 1.获取数据
    data = pd.read_csv("dating.txt")
    data = data.iloc[:, :3]
    print("data:\n", data)
    # 2.实例化一个转换器类
    transfer = StandardScaler()
    # 也可以自己去设定归一化范围
    # transfer = MinMaxScaler(feature_range=[2,3])
    # 3.调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new:\n", data_new)

if __name__ == "__main__":
    minmax_demo()

---

特征降维

降维

希望得到的特征是不相关的

维数：嵌套的层数

• 0维：标量
• 1维：向量
• 2维：矩阵
• n维

处理的对象是二维数组

• 此处的降维：降低特征的个数
• 效果：特征与特征之间不相关

方法

• 特征选择
• 主成分分析

特征选择

方法

Filter（过滤式）：主要探究特征本身的特点、特征与特征和目标值之间关联

• 方差选择法：低方差特征过滤
• 相关系数：特征与特征之间的相关程度

Embedded（嵌入式）：算法自动选择特征（特征与目标值之间的关联）

• 决策树
• 正则化
• 深度学习

过滤式

低方差特征过滤

• 特征方差小：某个特征大多样本的值比较相近
• 特征方差大：某个特征很多样本的值都有差别

API

sklearn.feature_selection.VarianceThreshold(threshold = 0.0)

• 删除所有低方差特征
• Variance.fit_transform(X) X：nump array格式的数据[n_samples,n_features]，返回值：训练集差异低于threshold的特征将被删除。默认值是保留所有非零方差特征，即删除所有样本中具有相同值的特征。

from sklearn.feature_selection import VarianceThreshold
import pandas as pd

def  minmax_demo():
    # 1.获取数据
    data = pd.read_csv("factor_returns.csv")
    print("data:\n", data)
    data = data.iloc[:, 1:-2]
    print("data:\n", data)
    # 2.实例化一个转换器类
    transfer = VarianceThreshold(threshold=10)
    # 3.调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new:\n", data_new, data_new.shape)

if __name__ == "__main__":
    minmax_demo()

相关系数 

皮尔逊相关系数：反映变量之间相关关系密切程度的统计指标

公式

特点

API

from scipy.stats import pearsonr

x：（N,）array_like

y：（N,）array_like Returns:（Pearson’s correlation coefficient，p-value） 

from sklearn.feature_selection import VarianceThreshold
import pandas as pd
from scipy.stats import pearsonr

def  minmax_demo():
    # 1.获取数据
    data = pd.read_csv("factor_returns.csv")
    data = data.iloc[:, 1:-2]
    print("data:\n", data)
    # 2.实例化一个转换器类
    transfer = VarianceThreshold(threshold=10)
    # 3.调用fit_transform
    data_new = transfer.fit_transform(data)
    print("data_new:\n", data_new, data_new.shape)
    # 计算某两个变量之间的相关系数
    r = pearsonr(data["pe_ratio"], data["pb_ratio"])
    print("相关系数：\n", r)

if __name__ == "__main__":
    minmax_demo()

---

主成分分析（PCA）

what？

• 定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量
• 作用：是数据维数压缩，尽可能降低原数据的维数（复杂度），损失少量信息
• 应用：回归分析或者聚类分析

API

sklearn.decomposition.PCA(n_components=None)

• 将数据分解为较低维数空间
• n_components：小数：表示保留百分之多少的信息，整数：减少到多少特征（降到几维）
• PCA.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]
• 返回值：转换后指定维度的array

from sklearn.decomposition import PCA

def  pca_demo():
    data = [[2,0,3,9], [3,2,6,5], [7,5,1,8]]
    # 1.实例化一个转换器类
    # 意思是将4维降到2维
    transfer = PCA(n_components=2)
    # 2.调用fit_transform
    data_new = transfer.fit_transform(data)
    print("new_data:\n", data_new)

if __name__ == "__main__":
    pca_demo()

---

案例：探究用户对物品类别的喜好细分降维

步骤

1. 需要将user_id和aisle放在同一张表中---合并
2. 找到user_id和aisle---交叉表和透视表
3. 特征冗余过多---PCA降维

from sklearn.decomposition import PCA
import pandas as pd

def  pca_demo():
    # 1.读取文件
    order_products = pd.read_csv("order_products__prior.csv")
    products = pd.read_csv("products.csv")
    orders = pd.read_csv("orders.csv")
    aisles = pd.read_csv("aisles.csv")

    # 2.合并表
    tb1 = pd.merge(order_products, products, on=["product_id", "product_id"])
    tb2 = pd.merge(tb1, orders, on=["order_id", "order_id"])
    tb3 = pd.merge(tb2, aisles, on=["aisle_id","aisle_id"])

    # 3.找到user_id和aisle之间的关系，用到交叉表
    table = pd.crosstab(tb3["user_id"], tab3["aisle"])
    data = table[:1000]

    # 4.PCA消除冗余
    transfer = PCA(n_components=0.95)
    data_new = transfer.fit_transform(data)
    print("new_data:\n",data_new)

if __name__ == "__main__":
    pca_demo()