業界廣泛流傳著這樣一句話：「數據和特徵決定了機器學習的上限，而模型和算法只是逼近這個上限而已」，由此可見特徵工程在機器學習中的重要性，今天我們將通過《阿里雲天池大賽賽題解析——機器學習篇》中的【天貓用戶重複購買預測】案例來深入解析特徵工程在實際商業場景中的應用。
文末驚喜 今日福利：評論區留言送書
學習前須知
（1）本文特徵工程講解部分參考自圖書《阿里雲天池大賽賽題解析——機器學習篇》中的第二個賽題：天貓用戶重複購買預測。
（2）本文相關數據可以在阿里雲天池競賽平臺下載，數據地址：
https://tianchi.aliyun.com/competition/entrance/231576/information
一 數據集介紹
按照上面方法下載好數據集後，我們來看看具體數據含義。
test_format1.csv和train_format1.csv裡分別存放著測試數據和訓練數據，測試數據集最後一個欄位為prob，表示測試結果，訓練數據集最後一個欄位為label，訓練數據各欄位信息如下圖所示：
訓練數據集
user_log_format1.csv裡存放著用戶行為日誌，欄位信息如下圖所示：
用戶行為日誌數據
user_info_format1.csv裡存放著用戶行基本信息，欄位信息如下圖所示：
用戶基本信息數據
二 特徵構造
本賽題基於天貓電商數據，主要關心用戶、店鋪和商家這三個實體，所以特徵構造上也以用戶、店鋪和商家為核心，可以分為以下幾部分：
用戶-店鋪特徵構造
店鋪特徵構造
對店鋪特徵選取可以使用，如 Numpy 的 corrcoef(x,y)函數計算相關係數，保留相關係數小於0.9 的特徵組合，具體內容如圖 2-3。
商家特徵選取
用戶特徵構造
用戶購買商品特徵構造
利用時間提取特徵
總結以上內容，特徵主要基於基礎特徵、用戶特徵、店鋪特徵、用戶+店鋪四個方面，如下圖所示：
特徵總結
三 特徵提取
首先我們導入需要的工具包，進行數據分析和特徵提取。
import numpy as npimport pandas as pdimport matplotlib.pyplot as plt import seaborn as snsfrom scipy import statsimport gcfrom collections import Counter import copyimport warnings warnings.filterwarnings("ignore")%matplotlib inline
接下來我們將按以下步驟進行特徵提取。
特徵提取步驟
1 讀取數據
直接調用Pandas的read_csv函數讀取訓練集和測試集及用戶信息、用戶日誌數據。
test_data = pd.read_csv('./data_format1/test_format1.csv') train_data = pd.read_csv('./data_format1/train_format1.csv')user_info = pd.read_csv('./data_format1/user_info_format1.csv')user_log = pd.read_csv('./data_format1/user_log_format1.csv')
2 數據預處理
對數據內存進行壓縮：
def reduce_mem_usage(df, verbose=True): start_mem = df.memory_usage().sum() / 1024**2 numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64'] for col in df.columns: col_type = df[col].dtypes if col_type in numerics: c_min = df[col].min() c_max = df[col].max() if str(col_type)[:3] == 'int': if c_min > np.iinfo(np.int8).min and c_max < np.iinfo( np.int8).max: df[col] = df[col].astype(np.int8) elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo( np.int16).max: df[col] = df[col].astype(np.int16) elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo( np.int32).max: df[col] = df[col].astype(np.int32) elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo( np.int64).max: df[col] = df[col].astype(np.int64) else: if c_min > np.finfo(np.float16).min and c_max < np.finfo( np.float16).max: df[col] = df[col].astype(np.float16) elif c_min > np.finfo(np.float32).min and c_max < np.finfo( np.float32).max: df[col] = df[col].astype(np.float32) else: df[col] = df[col].astype(np.float64) end_mem = df.memory_usage().sum() / 1024**2 print('Memory usage after optimization is: {:.2f} MB'.format(end_mem))
首先測試數據添加到訓練數據後，然後將用戶基本信息合併到訓練數據左邊，並刪除不需要的變量，釋放內存。all_data = train_data.append(test_data)all_data = all_data.merge(user_info,on=['user_id'],how='left') del train_data, test_data, user_infogc.collect()將用戶日誌數據各欄位合併成一個新的欄位item_id，並將其插入到用戶信息數據之後。# 用戶日誌數據按時間排序user_log = user_log.sort_values(['user_id', 'time_stamp'])# 合併用戶日誌數據各欄位，新欄位名為item_idlist_join_func = lambda x: " ".join([str(i) for i in x])agg_dict = { 'item_id': list_join_func, 'cat_id': list_join_func, 'seller_id': list_join_func, 'brand_id': list_join_func, 'time_stamp': list_join_func, 'action_type': list_join_func}rename_dict = { 'item_id': 'item_path', 'cat_id': 'cat_path', 'seller_id': 'seller_path', 'brand_id': 'brand_path', 'time_stamp': 'time_stamp_path', 'action_type': 'action_type_path'}
def merge_list(df_ID, join_columns, df_data, agg_dict, rename_dict): df_data = df_data.groupby(join_columns).agg(agg_dict).reset_index().rename( columns=rename_dict) df_ID = df_ID.merge(df_data, on=join_columns, how="left") return df_IDall_data = merge_list(all_data, 'user_id', user_log, agg_dict, rename_dict)del user_log gc.collect()基於之前的特徵構造圖，我們提前編寫一些統計相關函數，依次有：數據總數、數據唯一值總數、數據最大值、數據最小值、數據標準差、數據中top N數據以及數據中top N數據的總數。def cnt_(x): try: return len(x.split(' ')) except: return -1
def nunique_(x): try: return len(set(x.split(' '))) except: return -1
def max_(x): try: return np.max([float(i) for i in x.split(' ')]) except: return -1
def min_(x): try: return np.min([float(i) for i in x.split(' ')]) except: return -1
def std_(x): try: return np.std([float(i) for i in x.split(' ')]) except: return -1
def most_n(x, n): try: return Counter(x.split(' ')).most_common(n)[n-1][0] except: return -1
def most_n_cnt(x, n): try: return Counter(x.split(' ')).most_common(n)[n-1][1] except: return -1基於上面編寫的基本統計方法，我們可以針對數據進行特徵統計。def user_cnt(df_data, single_col, name): df_data[name] = df_data[single_col].apply(cnt_) return df_data
def user_nunique(df_data, single_col, name): df_data[name] = df_data[single_col].apply(nunique_) return df_data
def user_max(df_data, single_col, name): df_data[name] = df_data[single_col].apply(max_) return df_data
def user_min(df_data, single_col, name): df_data[name] = df_data[single_col].apply(min_) return df_data
def user_std(df_data, single_col, name): df_data[name] = df_data[single_col].apply(std_) return df_data
def user_most_n(df_data, single_col, name, n=1): func = lambda x: most_n(x, n) df_data[name] = df_data[single_col].apply(func) return df_data
def user_most_n_cnt(df_data, single_col, name, n=1): func = lambda x: most_n_cnt(x, n) df_data[name] = df_data[single_col].apply(func) return df_data基於上一步中編寫的用戶數據統計函數，以店鋪特徵統計為例，統計與店鋪特點有關的特徵，如店鋪、商品、品牌等。# 取2000條數據舉例all_data_test = all_data.head(2000)# 總次數all_data_test = user_cnt(all_data_test, 'seller_path', 'user_cnt')# 不同店鋪個數all_data_test = user_nunique(all_data_test, 'seller_path', 'seller_nunique ')# 不同品類個數all_data_test = user_nunique(all_data_test, 'cat_path', 'cat_nunique')# 不同品牌個數all_data_test = user_nunique(all_data_test, 'brand_path', 'brand_nunique') # 不同商品個數all_data_test = user_nunique(all_data_test, 'item_path', 'item_nunique')# 活躍天數all_data_test = user_nunique(all_data_test, 'time_stamp_path', 'time_stamp _nunique')# 不同用戶行為種數all_data_test = user_nunique(all_data_test, 'action_type_path', 'action_ty pe_nunique')此外還可以統計用戶最喜歡的店鋪、最喜歡的類目、最喜歡的品牌、最長見的行為動作等數據。# 用戶最喜歡的店鋪all_data_test = user_most_n(all_data_test, 'seller_path', 'seller_most_1', n=1)# 最喜歡的類目all_data_test = user_most_n(all_data_test, 'cat_path', 'cat_most_1', n=1)# 最喜歡的品牌all_data_test = user_most_n(all_data_test, 'brand_path', 'brand_most_1', n= 1)# 最常見的行為動作all_data_test = user_most_n(all_data_test, 'action_type_path', 'action_type _1', n=1)5 利用countvector和tfidf提取特徵CountVectorizer與TfidfVectorizer是Scikit-learn的兩個特徵數值計算的類，接下來我們將結合兩者進行特徵提取。from sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction.text import TfidfVectorizerfrom sklearn.feature_extraction.text import ENGLISH_STOP_WORDSfrom scipy import sparsetfidfVec = TfidfVectorizer(stop_words=ENGLISH_STOP_WORDS, ngram_range=(1, 1), max_features=100)columns_list = ['seller_path']for i, col in enumerate(columns_list): tfidfVec.fit(all_data_test[col]) data_ = tfidfVec.transform(all_data_test[col]) if i == 0: data_cat = data_ else: data_cat = sparse.hstack((data_cat, data_))詞嵌入是一類將詞向量化的模型的統稱，核心思想是將每個詞都映射到低維空間(K 為50~300)上的一個稠密向量。import gensim
model = gensim.models.Word2Vec( all_data_test['seller_path'].apply(lambda x: x.split(' ')), size=100, window=5, min_count=5, workers=4)
def mean_w2v_(x, model, size=100): try: i = 0 for word in x.split(' '): if word in model.wv.vocab: i += 1 if i == 1: vec = np.zeros(size) vec += model.wv[word] return vec / i except: return np.zeros(size)
def get_mean_w2v(df_data, columns, model, size): data_array = [] for index, row in df_data.iterrows(): w2v = mean_w2v_(row[columns], model, size) data_array.append(w2v) return pd.DataFrame(data_array)
df_embeeding = get_mean_w2v(all_data_test, 'seller_path', model, 100)df_embeeding.columns = ['embeeding_' + str(i) for i in df_embeeding.columns]以使用 lgb 和 xgb 分類模型構造 Stacking特徵為例子，實現方式如下：from sklearn.model_selection import StratifiedKFold, KFold folds = 5seed = 1kf = KFold(n_splits=5, shuffle=True, random_state=0)clf_list = [lgb_clf, xgb_clf] clf_list_col = ['lgb_clf', 'xgb_clf']clf_list = clf_list column_list = [] train_data_list=[] test_data_list=[] for clf in clf_list: train_data,test_data,clf_name=clf(x_train, y_train, x_valid, kf, label_ split=None) train_data_list.append(train_data) test_data_list.append(test_data)train_stacking = np.concatenate(train_data_list, axis=1)test_stacking = np.concatenate(test_data_list, axis=1)[1] valid_0's multi_logloss: 0.240875Training until validation scores don't improve for 100 rounds.[2] valid_0's multi_logloss: 0.240675[226] train-mlogloss:0.123211 eval-mlogloss:0.226966Stopping. Best iteration:[126] train-mlogloss:0.172219 eval-mlogloss:0.218029xgb now score is: [2.4208301225770263, 2.2433633135072886, 2.51909203146584 34, 2.4902898448798805, 2.5797977298125625]xgb_score_list: [2.4208301225770263, 2.2433633135072886, 2.5190920314658434, 2.4902898448798805, 2.5797977298125625] xgb_score_mean: 2.4506746084485203對特徵工程的介紹就到這裡啦，更多相關內容大家可以去閱讀圖書《阿里雲天池大賽賽題解析——機器學習篇》，在賽事案例中學習到更多算法、機器學習相關知識。
福利來了 你在學習機器學習的過程中遇到過哪些問題？學習科研過程中有哪些乾貨想要與大家分享？歡迎大家至評論區留言。為了感謝大家對本公眾號的支持，我們將會對用心留言點讚前10名的同學各送出《阿里雲天池大賽賽題解析——機器學習篇》一本，統計時間截止1月29日20:00。《阿里雲天池大賽賽題解析——機器學習篇》目前已經在天貓開始預售啦，本書提取了阿里雲天池7年200多場大賽精華，識別下方二維碼可優惠購買：