数据挖掘学习小组:Task3.特征工程

    # 训练集和测试集放在一起，方便构造特征

    Train_data['train']=1
    Test_data['train']=0
    data = pd.concat([Train_data, Test_data], ignore_index=True)
    print(data['train'].tail())
    print(data.shape)

    # 使用时间：data['creatDate'] - data['regDate']，反应汽车使用时间，一般来说价格与使用时间成反比

    # 不过要注意，数据里有时间出错的格式，所以我们需要 errors='coerce'
    data['used_time'] = (pd.to_datetime(data['creatDate'], format='%Y%m%d', errors='coerce') - 
                            pd.to_datetime(data['regDate'], format='%Y%m%d', errors='coerce')).dt.days

    # 看一下空数据，有 15k 个样本的时间是有问题的，我们可以选择删除，也可以选择放着。

    # 但是这里不建议删除，因为删除缺失数据占总样本量过大，7.5%
    # 我们可以先放着，因为如果我们 XGBoost 之类的决策树，其本身就能处理缺失值，所以可以不用管；
    data['used_time'].isnull().sum()

    # 从邮编中提取城市信息，相当于加入了先验知识

    data['city'] = data['regionCode'].apply(lambda x : str(x)[:-3])
    data = data
    data['city']

    # 计算某品牌的销售统计量，同学们还可以计算其他特征的统计量

    # 这里要以 train 的数据计算统计量
    Train_gb = Train_data.groupby("brand")
    all_info = {}
    for kind, kind_data in Train_gb:
    info = {}
    kind_data = kind_data[kind_data['price'] > 0]
    info['brand_amount'] = len(kind_data)
    info['brand_price_max'] = kind_data.price.max()
    info['brand_price_median'] = kind_data.price.median()
    info['brand_price_min'] = kind_data.price.min()
    info['brand_price_sum'] = kind_data.price.sum()
    info['brand_price_std'] = kind_data.price.std()
    info['brand_price_average'] = round(kind_data.price.sum() / (len(kind_data) + 1), 2)
    all_info[kind] = info
    brand_fe = pd.DataFrame(all_info).T.reset_index().rename(columns={"index": "brand"})
    data = data.merge(brand_fe, how='left', on='brand')

    # 数据分桶 以 power 为例

    # 这时候我们的缺失值也进桶了，
    # 为什么要做数据分桶呢，原因有很多，= =
    # 1. 离散后稀疏向量内积乘法运算速度更快，计算结果也方便存储，容易扩展；
    # 2. 离散后的特征对异常值更具鲁棒性，如 age>30 为 1 否则为 0，对于年龄为 200 的也不会对模型造成很大的干扰；
    # 3. LR 属于广义线性模型，表达能力有限，经过离散化后，每个变量有单独的权重，这相当于引入了非线性，能够提升模型的表达能力，加大拟合；
    # 4. 离散后特征可以进行特征交叉，提升表达能力，由 M+N 个变量编程 M*N 个变量，进一步引入非线形，提升了表达能力；
    # 5. 特征离散后模型更稳定，如用户年龄区间，不会因为用户年龄长了一岁就变化
    
    # 当然还有很多原因，LightGBM 在改进 XGBoost 时就增加了数据分桶，增强了模型的泛化性
    
    bin = [i*10 for i in range(31)]
    data['power_bin'] = pd.cut(data['power'], bin, labels=False)
    data[['power_bin', 'power']]

    # 删除不需要的数据

    data = data.drop(['creatDate', 'regDate', 'regionCode'], axis=1)
    # 目前的数据其实已经可以给树模型使用了，所以我们导出一下
    data.to_csv('/home/tianchi/myspace/data_for_tree.csv', index=0)

    # 我们可以再构造一份特征给 LR NN 之类的模型用

    # 之所以分开构造是因为，不同模型对数据集的要求不同
    # 我们看下数据分布：
    data['power'].plot.hist()

    # 我们刚刚已经对 train 进行异常值处理了，但是现在还有这么奇怪的分布是因为 test 中的 power 异常值，

    # 所以我们其实刚刚 train 中的 power 异常值不删为好，可以用长尾分布截断来代替
    Train_data['power'].plot.hist()

    # 我们对其取 log，在做归一化

    from sklearn import preprocessing
    min_max_scaler = preprocessing.MinMaxScaler()
    data['power'] = np.log(data['power'] + 1) 
    data['power'] = ((data['power'] - np.min(data['power'])) / (np.max(data['power']) - np.min(data['power'])))
    data['power'].plot.hist()

    # 所以我们可以直接做归一化

    data['kilometer'] = ((data['kilometer'] - np.min(data['kilometer'])) / 
                        (np.max(data['kilometer']) - np.min(data['kilometer'])))
    data['kilometer'].plot.hist()
    # 除此之外 还有我们刚刚构造的统计量特征：
    # 'brand_amount', 'brand_price_average', 'brand_price_max',
    # 'brand_price_median', 'brand_price_min', 'brand_price_std',
    # 'brand_price_sum'
    # 这里不再一一举例分析了，直接做变换，
    def max_min(x):
    return (x - np.min(x)) / (np.max(x) - np.min(x))
    
    data['brand_amount'] = ((data['brand_amount'] - np.min(data['brand_amount'])) / 
                        (np.max(data['brand_amount']) - np.min(data['brand_amount'])))
    data['brand_price_average'] = ((data['brand_price_average'] - np.min(data['brand_price_average'])) / 
                               (np.max(data['brand_price_average']) - np.min(data['brand_price_average'])))
    data['brand_price_max'] = ((data['brand_price_max'] - np.min(data['brand_price_max'])) / 
                           (np.max(data['brand_price_max']) - np.min(data['brand_price_max'])))
    data['brand_price_median'] = ((data['brand_price_median'] - np.min(data['brand_price_median'])) /
                              (np.max(data['brand_price_median']) - np.min(data['brand_price_median'])))
    data['brand_price_min'] = ((data['brand_price_min'] - np.min(data['brand_price_min'])) / 
                           (np.max(data['brand_price_min']) - np.min(data['brand_price_min'])))
    data['brand_price_std'] = ((data['brand_price_std'] - np.min(data['brand_price_std'])) / 
                           (np.max(data['brand_price_std']) - np.min(data['brand_price_std'])))
    data['brand_price_sum'] = ((data['brand_price_sum'] - np.min(data['brand_price_sum'])) / 
                           (np.max(data['brand_price_sum']) - np.min(data['brand_price_sum'])))

    # 对类别特征进行 OneEncoder

    data = pd.get_dummies(data, columns=['model', 'brand', 'bodyType', 'fuelType',
                                     'gearbox', 'notRepairedDamage', 'power_bin'])

    # 这份数据可以给 LR 用

    data.to_csv('/home/tianchi/myspace/data_for_lr.csv', index=0)

    # 相关性分析

    print(data['power'].corr(data['price'], method='spearman'))
    print(data['kilometer'].corr(data['price'], method='spearman'))
    print(data['brand_amount'].corr(data['price'], method='spearman'))
    print(data['brand_price_average'].corr(data['price'], method='spearman'))
    print(data['brand_price_max'].corr(data['price'], method='spearman'))
    print(data['brand_price_median'].corr(data['price'], method='spearman'))