|
|
# 5.1.2 特征工程
|
|
|
|
|
|
什么是特征工程？其实每当我们拿到数据时，并不是所有的特征都是有用的，可能有许多冗余的特征需要删掉，或者根据`EDA`的结果，我们可以根据已有的特征来添加新的特征，这其实就是特征工程。
|
|
|
|
|
|
接下来我们来尝试对一些特征进行处理。
|
|
|
|
|
|
|
|
|
## 年龄离散化
|
|
|
|
|
|
年龄是一个连续型的数值特征，有的机器学习算法对于连续性数值特征不太友好，例如决策树、随机森林等`tree-base model`。所以我们可以考虑将年龄转换成年龄段。例如将年龄小于`16`的船客置为`0` ，`16`到`32`岁之间的置为`1`等。
|
|
|
|
|
|
```python
|
|
|
data['Age_band']=0
|
|
|
data.loc[data['Age']<=16,'Age_band']=0
|
|
|
data.loc[(data['Age']>16)&(data['Age']<=32),'Age_band']=1
|
|
|
data.loc[(data['Age']>32)&(data['Age']<=48),'Age_band']=2
|
|
|
data.loc[(data['Age']>48)&(data['Age']<=64),'Age_band']=3
|
|
|
data.loc[data['Age']>64,'Age_band']=4
|
|
|
```
|
|
|
|
|
|
<div align=center><img src="../img/52.jpg", height="200" width="450"/></div>
|
|
|
|
|
|
我们可以看一下转换成年龄段后，年龄段与生还率的关系。
|
|
|
|
|
|
```python
|
|
|
sns.factorplot('Age_band','Survived',data=data,col='Pclass')
|
|
|
plt.show()
|
|
|
```
|
|
|
|
|
|
<div align=center><img src="../img/53.jpg"/></div>
|
|
|
|
|
|
可以看出和我们之前`EDA`的结果相符，年龄越大，生还率越低。
|
|
|
|
|
|
## 家庭成员数量与是否孤身一人
|
|
|
|
|
|
由于家庭成员数量和是否孤身一人好像对于是否生还有影响，所以我们不妨添加新的特征。
|
|
|
|
|
|
```python
|
|
|
data['Family_Size']=0
|
|
|
data['Family_Size']=data['Parch']+data['SibSp']
|
|
|
data['Alone']=0
|
|
|
data.loc[data.Family_Size==0,'Alone']=1
|
|
|
```
|
|
|
|
|
|
然后再可视化看一下
|
|
|
|
|
|
```python
|
|
|
f,ax=plt.subplots(1,2,figsize=(18,6))
|
|
|
sns.factorplot('Family_Size','Survived',data=data,ax=ax[0])
|
|
|
ax[0].set_title('Family_Size vs Survived')
|
|
|
sns.factorplot('Alone','Survived',data=data,ax=ax[1])
|
|
|
ax[1].set_title('Alone vs Survived')
|
|
|
plt.close(2)
|
|
|
plt.close(3)
|
|
|
plt.show()
|
|
|
```
|
|
|
|
|
|
<div align=center><img src="../img/54.jpg"/></div>
|
|
|
|
|
|
从图中可以很明显的看出，如果你是一个人，那么生还的几率比较低，而且对于人数大于`4`人的家庭来说生还率也比较低。感觉，这可能也是一个比较好的特征，可以再深入的看一下。
|
|
|
|
|
|
```python
|
|
|
sns.factorplot('Alone','Survived',data=data,hue='Sex',col='Pclass')
|
|
|
plt.show()
|
|
|
```
|
|
|
|
|
|
<div align=center><img src="../img/55.jpg"/></div>
|
|
|
|
|
|
可以看出，除了三等舱的单身女性的生还率比非单身女性的生还率高外，单身并不是什么好事。
|
|
|
|
|
|
## 花费离散化
|
|
|
|
|
|
和年龄一样，花费也是一个连续性的数值特征，所以我们不妨将其离散化。
|
|
|
|
|
|
```python
|
|
|
data['Fare_cat']=0
|
|
|
data.loc[data['Fare']<=7.91,'Fare_cat']=0
|
|
|
data.loc[(data['Fare']>7.91)&(data['Fare']<=14.454),'Fare_cat']=1
|
|
|
data.loc[(data['Fare']>14.454)&(data['Fare']<=31),'Fare_cat']=2
|
|
|
data.loc[(data['Fare']>31)&(data['Fare']<=513),'Fare_cat']=3
|
|
|
|
|
|
sns.factorplot('Fare_cat','Survived',data=data,hue='Sex')
|
|
|
plt.show()
|
|
|
```
|
|
|
|
|
|
<div align=center><img src="../img/56.jpg"/, height=300></div>
|
|
|
|
|
|
很明显，花费越多生还率越高，金钱决定命运。
|
|
|
|
|
|
## 将字符串特征转换为数值型特征
|
|
|
|
|
|
由于我们的机器学习模型不支持字符串，所以需要将一些有用的字符串类型的特征转换成数值型的特征，比如：性别，口岸，姓名前缀。
|
|
|
|
|
|
```python
|
|
|
data['Sex'].replace(['male','female'],[0,1],inplace=True)
|
|
|
data['Embarked'].replace(['S','C','Q'],[0,1,2],inplace=True)
|
|
|
data['Initial'].replace(['Mr','Mrs','Miss','Master','Other'],[0,1,2,3,4],inplace=True)
|
|
|
```
|
|
|
|
|
|
## 删掉没多大用处的特征
|
|
|
|
|
|
- 姓名：难道姓名和生死有关系？这也太玄乎了，我不信，所以把它删掉。
|
|
|
- 年龄：由于已经根据年龄生成了新的特征“年龄段”，所以这个特征也需要删除。
|
|
|
- 票：票这个特征感觉是一堆随机的字符串，所以删掉。
|
|
|
- 花费：和年龄一样，删掉。
|
|
|
- 船舱：由于有很多缺失值，不好填充，所以可以考虑删掉。
|
|
|
- 船客`ID`：`ID`和生死应该没啥关系，所以删掉。
|
|
|
|
|
|
```python
|
|
|
data.drop(['Name','Age','Ticket','Fare','Cabin','PassengerId'],axis=1,inplace=True)
|
|
|
``` |
