阿里天池機器學習競賽項目總結,特徵工程了解一下!

　　來源：阿里雲天池，案例：機器學習實踐

　　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。

　　

　　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**2numerics = ['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**2print('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_loggc.collect()

　　3 特徵統計函數定義

　　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

　　4 提取統計特徵

　　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_))

　　6 嵌入特徵

　　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 = 0for word in x.split(' '):if word in model.wv.vocab:i += 1if i == 1:vec = np.zeros(size)vec += model.wv[word]return vec / iexcept: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]

　　7 Stacking 分類特徵

　　以使用 lgb 和 xgb 分類模型構造 Stacking特徵為例子，實現方式如下：

　　
# 1、使用 5 折交叉驗證from sklearn.model_selection import StratifiedKFold, KFoldfolds = 5seed = 1kf = KFold(n_splits=5, shuffle=True, random_state=0)# 2、選擇 lgb 和 xgb 分類模型作為基模型clf_list = [lgb_clf, xgb_clf]clf_list_col = ['lgb_clf', 'xgb_clf']# 3、獲取 Stacking 特徵clf_list = clf_listcolumn_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)

　　運行結果：

　　[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

　　「乾貨學習，分享在看三連↓