ML之FE：基于BigMartSales数据集利用Featuretools工具实现自动特征工程之详细攻略daiding

基于BigMartSales数据集利用Featuretools工具实现自动特征工程

设计思路

更新……

输出结果

train.shape: (500, 12)

test.shape: (200, 11)

after drop, train.shape: (500, 11)

data_all.shape: (700, 11)

-------------------data_all_CountNull: Item_Identifier                0

Item_Weight                  136

Item_Fat_Content               0

Item_Visibility                0

Item_Type                      0

Item_MRP                       0

Outlet_Identifier              0

Outlet_Establishment_Year      0

Outlet_Size                  202

Outlet_Location_Type           0

Outlet_Type                    0

dtype: int64

-------------------after fillna，data_all_CountNull:

Item_Identifier              0

Item_Weight                  0

Item_Fat_Content             0

Item_Visibility              0

Item_Type                    0

Item_MRP                     0

Outlet_Identifier            0

Outlet_Establishment_Year    0

Outlet_Size                  0

Outlet_Location_Type         0

Outlet_Type                  0

-------------------Item_Fat_Content feature value_count:

Low Fat    436

Regular    221

LF          23

low fat     12

reg          8

Name: Item_Fat_Content, dtype: int64

----------data_all.shape: (700, 11)

Entityset: sales

 Entities:

   bigmart [Rows: 700, Columns: 7]

   outlet [Rows: 10, Columns: 5]

 Relationships:

   bigmart.Outlet_Identifier -> outlet.Outlet_Identifier

核心代码

#2、利用Featuretools工具实现自动特征工程

#(1)、创建一个实体集EntitySet：实体集是一种包含多个数据帧及其之间关系的结构。

es = ft.EntitySet(id = 'sales')

es.entity_from_dataframe(entity_id = 'bigmart', dataframe = data_all, index = 'id')   # adding a dataframe

#(2)、规范化实体集：数据中包含两个级别的信息，即 item商品级别和 outlet门店级别。

#Featuretools能把一个数据集拆分成多个表格。我们根据outlet ID Outlet_Identifier从BigMart表中创建一个新表“outlet”。

es.normalize_entity(base_entity_id='bigmart',

                   new_entity_id='outlet',

                   index = 'Outlet_Identifier',

                   additional_variables =  

                   ['Outlet_Establishment_Year', 'Outlet_Size',  

                    'Outlet_Location_Type', 'Outlet_Type'])

print(es)  

'''

输出实体集EntitySet的组成

它包含两个实体，为bigmart和outlet。这两个表之间也形成了一种关系，用Outlet_Identifier连接。

这种关系将在生成新特征中发挥关键作用。

#(3)、使用DFS来自动创建新特征：DFS使用特征基元和实体集中给出的多个表来创建特征。

target_entity只是创建新特征的实体ID，这种情况下为实体“bigmart”。

参数max_depth控制着通过堆叠基元生成的要素复杂性。

参数n_jobs通过使用多个内核来辅助并行特征计算。

这就是使用Featuretools的过程，它已经产生了许多新特征。

feature_matrix, feature_names = ft.dfs(entityset=es,target_entity = 'bigmart',

                                      max_depth = 2,verbose = 1, n_jobs = -1)

print(feature_matrix.columns)

print(feature_matrix.head())