机器学习项目实战-能源利用率 Part-3（特征工程与特征筛选）

博主前期相关的博客可见下：
机器学习项目实战-能源利用率 Part-1（数据清洗）
机器学习项目实战-能源利用率 Part-2（探索性数据分析）
这部分进行的特征工程与特征筛选。

三 特征工程与特征筛选

一般情况下我们分两步走：特征工程与特征筛选：

特征工程： 概括性来说就是尽可能的多在数据中提取特征，各种数值变换，特征组合，分解等各种手段齐上阵。

特征选择： 就是找到最有价值的那些特征作为我们模型的输入，但是之前做了那么多，可能有些是多余的，有些还没被发现，所以这俩阶段都是一个反复在更新的过程。比如我在建模之后拿到了特征重要性，这就为特征选择做了参考，有些不重要的我可以去掉，那些比较重要的，我还可以再想办法让其做更多变换和组合来促进我的模型。所以特征工程并不是一次性就能解决的，需要通过各种结果来反复斟酌。

3.1 特征变换 与 One-hot encode

有点像分析特征之间的相关性

features = data.copy()
numeric_subset = data.select_dtypes('number')
for col in numeric_subset.columns:if col == 'score':nextelse:numeric_subset['log_' + col] = np.log(abs(numeric_subset[col]) + 0.01)categorical_subset = data[['Borough', 'Largest Property Use Type']]
categorical_subset = pd.get_dummies(categorical_subset)features = pd.concat([numeric_subset, categorical_subset], axis = 1)
features.shape

这段代码的目的是为了生成特征矩阵 features，它包含了原始数据 data 的数值特征和分类特征的处理结果。

首先，代码复制了原始数据 data，并将其赋值给 features。

接下来，通过 select_dtypes('number') 选择了 data 中的数值类型的列，并将结果存储在 numeric_subset 中。

然后，使用一个循环遍历 numeric_subset 的列，对每一列进行处理。对于列名为 ‘score’ 的列，直接跳过（使用 next）。对于其他列，将其绝对值加上一个很小的常数（0.01），然后取对数，并将结果存储在 numeric_subset 中以 ‘log_’ 开头的列名中。

接着，从 data 中选择了 ‘Borough’ 和 ‘Largest Property Use Type’ 两列作为分类特征，并使用 pd.get_dummies 进行独热编码（One-Hot Encoding）得到它们的编码结果，并将结果存储在 categorical_subset 中。

最后，使用 pd.concat 将 numeric_subset 和 categorical_subset 按列方向（axis=1）进行拼接，得到最终的特征矩阵 features。

最后一行代码输出了 features 的形状（行数和列数）。

3.2 共线特征

在数据中Site EUI 和 Weather Norm EUI就是要考虑的目标，他俩描述的基本是同一个事

plot_data = data[['Weather Normalized Site EUI (kBtu/ft²)', 'Site EUI (kBtu/ft²)']].dropna()plt.plot(plot_data['Site EUI (kBtu/ft²)'], plot_data['Weather Normalized Site EUI (kBtu/ft²)'], 'bo')
plt.xlabel('Site EUI'); plt.ylabel('Weather Norm EUI')
plt.title('Weather Norm EUI vs Site EUI, R = %.4f' % np.corrcoef(data[['Weather Normalized Site EUI (kBtu/ft²)', 'Site EUI (kBtu/ft²)']].dropna(), rowvar=False)[0][1])

3.3 剔除共线特征

def remove_collinear_features(x, threshold):'''Objective:Remove collinear features in a dataframe with a correlation coefficientgreater than the threshold. Removing collinear features can help a modelto generalize and improves the interpretability of the model.Inputs: threshold: any features with correlations greater than this value are removedOutput: dataframe that contains only the non-highly-collinear features'''y = x['score']x = x.drop(columns = ['score'])corr_matrix = x.corr()iters = range(len(corr_matrix.columns) - 1)drop_cols = []for i in iters:for j in range(i):item = corr_matrix.iloc[j: (j+1), (i+1): (i+2)]            col = item.columnsrow = item.indexval = abs(item.values)           if val >= threshold:# print(col.values[0], "|", row.values[0], "|", round(val[0][0], 2))drop_cols.append(col.values[0])drops = set(drop_cols)# print(drops)x = x.drop(columns = drops)x = x.drop(columns = ['Weather Normalized Site EUI (kBtu/ft²)', 'Water Use (All Water Sources) (kgal)','log_Water Use (All Water Sources) (kgal)','Largest Property Use Type - Gross Floor Area (ft²)'])x['score'] = yreturn xfeatures = remove_collinear_features(features, 0.6)  # 阈值为0.6
features = features.dropna(axis = 1, how = 'all')
print(features.shape)
features.head()

这段代码定义了一个名为 remove_collinear_features 的函数，用于移除具有高相关性的特征。移除具有高相关性的特征可以帮助模型泛化并提高模型的解释性。

函数的输入参数为 x（包含特征和目标变量的数据框）和 threshold（相关系数的阈值），阈值以上的特征相关性会被移除。

首先，将目标变量 score 存储在变量 y 中，并将其从 x 中移除。

接下来，计算特征之间的相关系数矩阵 corr_matrix。

然后，使用两个嵌套的循环遍历相关系数矩阵中的元素。当相关系数的绝对值大于等于阈值时，将该特征的列名添加到 drop_cols 列表中。

完成循环后，将 drop_cols 转换为集合 drops，以去除重复的特征列名。

然后，从 x 中移除 drops 中的特征列，以及其他预定义的特征列。

接下来，将目标变量 y 添加回 x 中，并将结果返回。

最后，对更新后的特征矩阵 features 进行处理，移除所有包含缺失值的列，并输出其形状（行数和列数），并展示前几行数据。

3.4 数据集划分

no_score = features[features['score'].isna()]
score = features[features['score'].notnull()]
print('no_score.shape: ', no_score.shape)
print('score.shape', score.shape)from sklearn.model_selection import train_test_split
features = score.drop(columns = 'score')
labels = pd.DataFrame(score['score'])
features = features.replace({np.inf: np.nan, -np.inf: np.nan})
X, X_test, y, y_test = train_test_split(features, labels, test_size = 0.3, random_state = 42)
print(X.shape)
print(X_test.shape)
print(y.shape)
print(y_test.shape)

这段代码分为几个步骤：

1. 首先，将特征矩阵 features 分为两部分：no_score 和 score。其中，no_score 是 features 中目标变量 score 为空的部分，而 score 则是 features 中目标变量 score 不为空的部分。

2. 输出 no_score 和 score 的形状（行数和列数），分别使用 no_score.shape 和 score.shape 打印结果。

3. 导入 sklearn.model_selection 模块中的 train_test_split 函数。

4. 从 score 中移除目标变量 score 列，得到特征矩阵 features。

5. 创建标签（目标变量）矩阵 labels，其中只包含目标变量 score 列。

6. 使用 replace 方法将 features 中的无穷大值替换为缺失值（NaN）。

7. 使用 train_test_split 函数将特征矩阵 features 和标签矩阵 labels 划分为训练集和测试集。参数 test_size 设置测试集的比例为 0.3，random_state 设置随机种子为 42。将划分后的结果分别存储在 X、X_test、y 和 y_test 中。

8. 输出训练集 X、测试集 X_test、训练集标签 y 和测试集标签 y_test 的形状（行数和列数），分别使用 X.shape、X_test.shape、y.shape 和 y_test.shape 打印结果。

这段代码的目的是将数据集划分为训练集和测试集，并准备好用于训练和评估模型的特征矩阵和标签矩阵。

3.5 建立一个Baseline

在建模之前，我们得有一个最坏的打算，就是模型起码得有点作用才行。

# 衡量标准: Mean Absolute Error
def mae(y_true, y_pred):return np.mean(abs(y_true - y_pred))baseline_guess = np.median(y)print('The baseline guess is a score of %.2f' % baseline_guess)
print('Baseline Performance on the test set: MAE = %.4f' % mae(y_test, baseline_guess))

这段代码定义了一个衡量标准函数 mae，并计算了一个基准预测结果。

1. mae 函数计算了预测值与真实值之间的平均绝对误差（Mean Absolute Error）。它接受两个参数 y_true 和 y_pred，分别表示真实值和预测值。函数内部通过 np.mean(abs(y_true - y_pred)) 计算平均绝对误差，并返回结果。

2. baseline_guess 是基准预测的结果，它被设置为标签（目标变量） y 的中位数。这相当于一种简单的基准方法，用中位数作为所有预测的固定值。

3. 使用 print 函数打印基准预测结果的信息。'The baseline guess is a score of %.2f' % baseline_guess 会输出基准预测结果的值，保留两位小数。'Baseline Performance on the test set: MAE = %.4f' % mae(y_test, baseline_guess) 会输出基准预测结果在测试集上的性能，即平均绝对误差（MAE），保留四位小数。

这段代码的目的是计算基准预测结果，并输出基准预测结果的信息以及在测试集上的性能评估（使用平均绝对误差作为衡量标准）。

3.6 保存数据

no_score.to_csv('data/no_score.csv', index = False)
X.to_csv('data/training_features.csv', index = False)
X_test.to_csv('data/testing_features.csv', index = False)
y.to_csv('data/training_labels.csv', index = False)
y_test.to_csv('data/testing_labels.csv', index = False)

Reference

机器学习项目实战-能源利用率 Part-1（数据清洗）

机器学习项目实战-能源利用率 Part-2（探索性数据分析）

机器学习项目实战-能源利用率1-数据预处理