{"id":14958306,"url":"https://github.com/fuqiuai/sklearn-feature-engineering","last_synced_at":"2025-10-24T14:31:37.665Z","repository":{"id":50970900,"uuid":"113275187","full_name":"fuqiuai/sklearn-feature-engineering","owner":"fuqiuai","description":"使用sklearn做特征工程","archived":false,"fork":false,"pushed_at":"2018-07-19T08:03:30.000Z","size":30,"stargazers_count":169,"open_issues_count":0,"forks_count":70,"subscribers_count":7,"default_branch":"master","last_synced_at":"2025-01-31T02:19:28.447Z","etag":null,"topics":["feature-engineering","kaggle","sklearn"],"latest_commit_sha":null,"homepage":null,"language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/fuqiuai.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null}},"created_at":"2017-12-06T05:56:12.000Z","updated_at":"2024-12-24T03:49:30.000Z","dependencies_parsed_at":"2022-09-11T01:30:57.135Z","dependency_job_id":null,"html_url":"https://github.com/fuqiuai/sklearn-feature-engineering","commit_stats":null,"previous_names":[],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/fuqiuai%2Fsklearn-feature-engineering","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/fuqiuai%2Fsklearn-feature-engineering/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/fuqiuai%2Fsklearn-feature-engineering/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/fuqiuai%2Fsklearn-feature-engineering/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/fuqiuai","download_url":"https://codeload.github.com/fuqiuai/sklearn-feature-engineering/tar.gz/refs/heads/master","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":237982435,"owners_count":19397256,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["feature-engineering","kaggle","sklearn"],"created_at":"2024-09-24T13:16:43.037Z","updated_at":"2025-10-24T14:31:32.607Z","avatar_url":"https://github.com/fuqiuai.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# sklearn-feature-engineering\n## 前言\n博主最近参加了几个kaggle比赛，发现做特征工程是其中很重要的一部分，而sklearn是做特征工程（做模型调算法）最常用也是最好用的工具没有之一，因此将自己的一些经验做一个总结分享给大家，希望对大家有所帮助。大家也可以到我的博客上看 [https://blog.csdn.net/fuqiuai/article/details/79496005](https://blog.csdn.net/fuqiuai/article/details/79496005)\n\n#### \u003ca href=\"#1\"\u003e1. 什么是特征工程？\u003c/a\u003e\n#### \u003ca href=\"#2\"\u003e2. 数据预处理\u003c/a\u003e\n#### \u003ca href=\"#3\"\u003e3. 特征选择\u003c/a\u003e\n#### \u003ca href=\"#4\"\u003e4. 降维\u003c/a\u003e\n\n## \u003ca name=\"1\"\u003e1. 什么是特征工程？\u003c/a\u003e\n有这么一句话在业界广泛流传，**数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已**。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。\n\n\u003cbr\u003e特征工程主要分为三部分：\n1. **数据预处理** 对应的sklearn包：[sklearn-Processing data](http://scikit-learn.org/stable/modules/preprocessing.html#non-linear-transformation)\n1. **特征选择** 对应的sklearn包： [sklearn-Feature selection](http://scikit-learn.org/stable/modules/feature_selection.html)\n1. **降维** 对应的sklearn包： [sklearn-Dimensionality reduction](http://scikit-learn.org/stable/modules/decomposition.html#decompositions)\n\n\u003cbr\u003e本文中使用sklearn中的IRIS（鸢尾花）数据集来对特征处理功能进行说明，首先导入IRIS数据集的代码如下：\n```\n 1 from sklearn.datasets import load_iris\n 2 \n 3 #导入IRIS数据集\n 4 iris = load_iris()\n 5 \n 6 #特征矩阵\n 7 iris.data\n 8 \n 9 #目标向量\n10 iris.target\n\n```\n\n\n## \u003ca name=\"2\"\u003e2. 数据预处理\u003c/a\u003e\n通过特征提取，我们能得到未经处理的特征，这时的特征可能有以下问题：\n\n- 不属于同一量纲：即特征的规格不一样，不能够放在一起比较。**无量纲化**可以解决这一问题。\n- 信息冗余：对于某些定量特征，其包含的有效信息为区间划分，例如学习成绩，假若只关心“及格”或不“及格”，那么需要将定量的考分，转换成“1”和“0”表示及格和未及格。**二值化**可以解决这一问题。\n- 定性特征不能直接使用：通常使用哑编码的方式将定性特征转换为定量特征，假设有N种定性值，则将这一个特征扩展为N种特征，当原始特征值为第i种定性值时，第i个扩展特征赋值为1，其他扩展特征赋值为0。哑编码的方式相比直接指定的方式，不用增加调参的工作，对于线性模型来说，使用**哑编码**后的特征可达到非线性的效果。\n- 存在缺失值：**填充缺失值**。\n- 信息利用率低：不同的机器学习算法和模型对数据中信息的利用是不同的，之前提到在线性模型中，使用对定性特征哑编码可以达到非线性的效果。类似地，对定量变量多项式化，或者进行其他的**数据变换**，都能达到非线性的效果。\n\n我们使用sklearn中的preproccessing库来进行数据预处理。\n\n### 2.1 无量纲化\n无量纲化使不同规格的数据转换到同一规格\n\n#### 2.1.1 标准化（也叫Z-score standardization）（对列向量处理）\n将服从正态分布的特征值转换成标准正态分布，标准化需要计算特征的均值和标准差，公式表达为：\n\u003cbr\u003e![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502113957732-1062097580.png)\n\u003cbr\u003e使用preproccessing库的StandardScaler类对数据进行标准化的代码如下：\n```\n1 from sklearn.preprocessing import StandardScaler\n2 \n3 #标准化，返回值为标准化后的数据\n4 StandardScaler().fit_transform(iris.data)\n```\n\n#### 2.1.2 区间缩放（对列向量处理）\n区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为：\n\u003cbr\u003e![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502113301013-1555489078.png)\n\u003cbr\u003e使用preproccessing库的MinMaxScaler类对数据进行区间缩放的代码如下：\n```\n1 from sklearn.preprocessing import MinMaxScaler\n2 \n3 #区间缩放，返回值为缩放到[0, 1]区间的数据\n4 MinMaxScaler().fit_transform(iris.data)\n```\n\n#### 在什么时候使用标准化比较好，什么时候区间缩放比较好呢？\n1、在后续的分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA、LDA这些需要用到协方差分析进行降维的时候，同时数据分布可以近似为正太分布，标准化方法(Z-score standardization)表现更好。\n2、在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用区间缩放法或其他归一化方法。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围。\n\n#### 2.1.3 归一化（对行向量处理）\n归一化目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。规则为l2的归一化公式如下：\n\u003cbr\u003e![](http://images2015.cnblogs.com/blog/927391/201607/927391-20160719002904919-1602367496.png)\n\u003cbr\u003e使用preproccessing库的Normalizer类对数据进行归一化的代码如下：\n```\n1 from sklearn.preprocessing import Normalizer\n2 \n3 #归一化，返回值为归一化后的数据\n4 Normalizer().fit_transform(iris.data)\n```\n\n### 2.2  对定量特征二值化（对列向量处理）\n**定性与定量区别**\n\u003cbr\u003e定性：博主很胖，博主很瘦\n\u003cbr\u003e定量：博主有80kg，博主有60kg\n\u003cbr\u003e一般定性都会有相关的描述词，定量的描述都是可以用数字来量化处理\n\u003cbr\u003e\u003cbr\u003e定量特征二值化的核心在于设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0，公式表达如下：\n\u003cbr\u003e![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502115121216-456946808.png)\n\u003cbr\u003e使用preproccessing库的Binarizer类对数据进行二值化的代码如下：\n```\n1 from sklearn.preprocessing import Binarizer\n2 \n3 #二值化，阈值设置为3，返回值为二值化后的数据\n4 Binarizer(threshold=3).fit_transform(iris.data)\n```\n\n### 2.3 对定性特征哑编码（对列向量处理）\n因为有些特征是用文字分类表达的，或者说将这些类转化为数字，但是数字与数字之间是没有大小关系的，纯粹的分类标记，这时候就需要用哑编码对其进行编码。IRIS数据集的特征皆为定量特征，使用其目标值进行哑编码（实际上是不需要的）。使用preproccessing库的OneHotEncoder类对数据进行哑编码的代码如下：\n```\n1 from sklearn.preprocessing import OneHotEncoder\n2 \n3 #哑编码，对IRIS数据集的目标值，返回值为哑编码后的数据\n4 OneHotEncoder().fit_transform(iris.target.reshape((-1,1)))\n```\n\n### 2.4 缺失值计算（对列向量处理）\n由于IRIS数据集没有缺失值，故对数据集新增一个样本，4个特征均赋值为NaN，表示数据缺失。使用preproccessing库的Imputer类对数据进行缺失值计算的代码如下：\n```\n1 from numpy import vstack, array, nan\n2 from sklearn.preprocessing import Imputer\n3 \n4 #缺失值计算，返回值为计算缺失值后的数据\n5 #参数missing_value为缺失值的表示形式，默认为NaN\n6 #参数strategy为缺失值填充方式，默认为mean（均值）\n7 Imputer().fit_transform(vstack((array([nan, nan, nan, nan]), iris.data)))\n```\n\n### 2.5 数据变换\n\n#### 2.5.1 多项式变换（对行向量处理）\n常见的数据变换有基于多项式的、基于指数函数的、基于对数函数的。4个特征，度为2的多项式转换公式如下：\n\u003cbr\u003e![](http://images2015.cnblogs.com/blog/927391/201605/927391-20160502134944451-270339895.png)\n\u003cbr\u003e使用preproccessing库的PolynomialFeatures类对数据进行多项式转换的代码如下：\n```\n1 from sklearn.preprocessing import PolynomialFeatures\n2 \n3 #多项式转换\n4 #参数degree为度，默认值为2\n5 PolynomialFeatures().fit_transform(iris.data)\n```\n\n#### 2.5.1 自定义变换\n基于单变元函数的数据变换可以使用一个统一的方式完成，使用preproccessing库的FunctionTransformer对数据进行对数函数转换的代码如下：\n```\n1 from numpy import log1p\n2 from sklearn.preprocessing import FunctionTransformer\n3 \n4 #自定义转换函数为对数函数的数据变换\n5 #第一个参数是单变元函数\n6 FunctionTransformer(log1p).fit_transform(iris.data)\n```\n\n### 总结\n|类 | 功能 | 说明|\n|- | :-: | -: |\n|StandardScaler | 无量纲化 | 标准化，基于特征矩阵的列，将特征值转换至服从标准正态分布|\n|MinMaxScaler | 无量纲化 | 区间缩放，基于最大最小值，将特征值转换到[0, 1]区间上|\n|Normalizer | 归一化 | 基于特征矩阵的行，将样本向量转换为“单位向量”||\n|Binarizer | 二值化 | 基于给定阈值，将定量特征按阈值划分|\n|OneHotEncoder | 哑编码 | 将定性数据编码为定量数据|\n|Imputer | 缺失值计算 | 计算缺失值，缺失值可填充为均值等|\n|PolynomialFeatures | 多项式数据转换 | 多项式数据转换|\n|FunctionTransformer | 自定义单元数据转换 | 使用单变元的函数来转换数据|\n\n## \u003ca name=\"3\"\u003e3. 特征选择\u003c/a\u003e\n当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：\n\n- 特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。\n- 特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。\n\n根据特征选择的形式又可以将特征选择方法分为3种：\n\n- **Filter：过滤法**，不用考虑后续学习器，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。\n- **Wrapper：包装法**，需考虑后续学习器，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。\n- **Embedded：嵌入法**，是Filter与Wrapper方法的结合。先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。\n\n我们使用sklearn中的feature_selection库来进行特征选择。\n\n### 3.1 Filter\n#### 3.1.1 方差选择法\n使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。使用feature_selection库的VarianceThreshold类来选择特征的代码如下：\n```\n1 from sklearn.feature_selection import VarianceThreshold\n2 \n3 #方差选择法，返回值为特征选择后的数据\n4 #参数threshold为方差的阈值\n5 VarianceThreshold(threshold=3).fit_transform(iris.data)\n```\n\n#### 3.1.2 卡方检验\n检验特征对标签的相关性，选择其中K个与标签最相关的特征。使用feature_selection库的SelectKBest类结合卡方检验来选择特征的代码如下：\n```\n1 from sklearn.feature_selection import SelectKBest\n2 from sklearn.feature_selection import chi2\n3 \n4 #选择K个最好的特征，返回选择特征后的数据\n5 SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target)\n```\n\n### 3.2 Wrapper\n#### 3.2.1 递归特征消除法\n递归消除特征法使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。使用feature_selection库的RFE类来选择特征的代码如下：\n```\n1 from sklearn.feature_selection import RFE\n2 from sklearn.linear_model import LogisticRegression\n3 \n4 #递归特征消除法，返回特征选择后的数据\n5 #参数estimator为基模型\n6 #参数n_features_to_select为选择的特征个数\n7 RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target)\n```\n\n### 3.3 Embedded\n#### 3.3.1 基于惩罚项的特征选择法\n使用带惩罚项的基模型，除了筛选出特征外，同时也进行了降维。使用feature_selection库的SelectFromModel类结合带L1惩罚项的逻辑回归模型，来选择特征的代码如下：\n```\n1 from sklearn.feature_selection import SelectFromModel\n2 from sklearn.linear_model import LogisticRegression\n3 \n4 #带L1惩罚项的逻辑回归作为基模型的特征选择\n5 SelectFromModel(LogisticRegression(penalty=\"l1\", C=0.1)).fit_transform(iris.data, iris.target)\n```\n#### 3.3.2 基于树模型的特征选择法\n树模型中GBDT可用来作为基模型进行特征选择，使用feature_selection库的SelectFromModel类结合GBDT模型，来选择特征的代码如下：\n```\n1 from sklearn.feature_selection import SelectFromModel\n2 from sklearn.ensemble import GradientBoostingClassifier\n3 \n4 #GBDT作为基模型的特征选择\n5 SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data, iris.target)\n```\n\n### 总结\n|类 | 所属方式 | 说明|\n|- | :-: | -: |\n|VarianceThreshold\t|Filter\t|方差选择法\n|SelectKBest\t|Filter\t|可选关联系数、卡方校验、最大信息系数作为得分计算的方法\n|RFE\t|Wrapper\t|递归地训练基模型，将权值系数较小的特征从特征集合中消除\n|SelectFromModel\t|Embedded\t|训练基模型，选择权值系数较高的特征\n\n## \u003ca name=\"4\"\u003e4. 降维\u003c/a\u003e\n当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，导致计算量大，训练时间长的问题，因此降低特征矩阵维度也是必不可少的。常见的降维方法除了以上提到的基于L1惩罚项的模型以外，另外还有主成分分析法（PCA）和线性判别分析（LDA），线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点，其本质是要将原始的样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：**PCA是为了让映射后的样本具有最大的发散性；而LDA是为了让映射后的样本有最好的分类性能**。所以说PCA是一种无监督的降维方法，而LDA是一种有监督的降维方法。\n\n### 4.1 主成分分析法（PCA）\n使用decomposition库的PCA类选择特征的代码如下：\n```\n1 from sklearn.decomposition import PCA\n2 \n3 #主成分分析法，返回降维后的数据\n4 #参数n_components为主成分数目\n5 PCA(n_components=2).fit_transform(iris.data)\n```\n\n### 4.2 线性判别分析法（LDA）\n使用LDA进行降维的代码如下：\n```\n1 from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA\n2 \n3 #线性判别分析法，返回降维后的数据\n4 #参数n_components为降维后的维数\n5 LDA(n_components=2).fit_transform(iris.data, iris.target)\n```\n\n### 总结\n|库 | 类 | 说明|\n|- | :-: | -: |\n|decomposition\t|PCA\t|主成分分析法\n|lda\t|LDA\t|线性判别分析法\n\n\n\u003cbr\u003e\u003cbr\u003e*注：以上代码均在[feature_engineering.py](https://github.com/fuqiuai/kaggle-feature-engineering/blob/master/feature_engineering.py)中实现*\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Ffuqiuai%2Fsklearn-feature-engineering","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Ffuqiuai%2Fsklearn-feature-engineering","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Ffuqiuai%2Fsklearn-feature-engineering/lists"}