一.特征工程的解释和意义那么什么是特征工程？首先先看下特征，
特征： 是指数据中抽取出来的对结果预测有用的信息，也就是数据的相关属性。
特征工程：使用专业背景知识和技巧处理数据，使得 特征能在机器学习算法上发挥更好的作用的过程
意义：
1.更好的特征意味着更强的灵活度
2.更好的特征意味着只需用简单模型，就可以训练出很好的效果
3.更好的特征意味着可以训练出更好的结果
二.特征工程具体流程整个流程可以用下面这种图来概括
)
1.特征使用方案在确定好我们的目标后，我们首先要做的就是根据业务场景，分析要实现我们的目标需要哪些数据。也就是基于业务理解，尽可能找出对因变量有影响的所有自变量。比如：我现在要预测用户对商品的下单情况，或者我要给 用户做商品推荐，那我需要采集什么信息呢？可以分为三个方向去采集，

• 店家：店家的类别，店家评分，店家所用快递等
• 商品：商品的类别，评分，购买人数，颜色等
• 用户：历史购买信息，消费能力，购物车转换比，商品停留时间，用户年龄，所在地址等
  

然后，我们针对我们所需要的数据，需要进行可用性评估

• 获取难度，数据我们能够采集到吗？ 比如对于用户年龄来说，就比较难于获取，并不是每个人都在注册时都会去填写年龄
• 覆盖率，有些数据并不是每个对象都有的，比如对于历史购买信息，对于新用户来说，是没有的
• 准确率， 像用户年龄，店家评分，也都会有准确率的问题，因为店家可能刷单，用户也可能不写真实年龄
• 线上实时计算的时候获取是否快捷？
  

2.特征获取方案在确定好我们需要的特征之后，接下来就要进行考虑特征的获取和存储，主要分为离线特征获取和在线特征获取
1 离线特征获取方案
离线可以使用海量的数据，借助于分布式文件存储平台，例如HDFS等，使用例如MapReduce，Spark等处理工具来处理海量的数据等。
2 在线特征获取方案
在线特征比较注重获取数据的延时，由于是在线服务，需要在非常短的时间内获取到相应的数据，对查找性能要求非常高，可以将数据存储在索引、kv存储等。而查找性能与数据的数据量会有矛盾，需要折衷处理，我们使用了特征分层获取方案，如下图所示。

3.特征处理接下来就是特征工程中最重要的，也是我们主要在做的，特征处理了
3.1特征清洗在特征处理中，首先需要进行的是特征清洗，主要做两件事情
3.1.1清洗脏数据（异常数据）如何检测异常数据呢？主要有下面几种
1.基于统计的异常点检测算法
(1).简单统计分析：
比如对属性值进行一个描述性的统计，从而查看哪些值是不合理的，比如针对年龄来说，我们规定范围维 [0,100]，则不在这个范围的样本，则就认为是异常样本
(2).3δ原则（δ为方差）:
当数据服从正态分布：根据正态分布的定义可知，距离平均值3δ之外的概率为 P(|x-μ|>3δ) <= 0.003 ，这属于极小概率事件，在默认情况下我们可以认定，距离超过平均值3δ的样本是不存在的。 因此，当样本距离平均值大于3δ，则认定该样本为异常值
(3).通过极差和四分位数间距，进行异常数据的检测
2.基于距离的异常点检测算法（其实和K近邻算法的思想一样）
主要通过距离方法来检测异常点，将一个数据点与大多数点之间距离大于某个阈值的点视为异常点，主要使用的距离度量方法有绝对距离(曼哈顿距离)、欧氏距离和马氏距离等方法
3.基于密度的异常点检测算法
考察当前点周围密度，可以发现局部异常点
3.1.2缺失值处理对于一个特征来说

• 如果所有样本中的的缺失值极多，则可以直接去掉
• 如果缺失值不是很多，可以考虑用全局均值，或者中位数进行填充
• 将此特征作为目标，根据未缺失的数据，利用相关算法模型，对缺失值进行预测
  

3.1.3数据采样数据采样主要是为了处理样本不均衡问题的。比如有些情况下，获取来的数据，正负样本个数差距很大，而大多数模型对正负样本比是敏感的（比如逻辑回归），所以，需要通过数据采样，来使数据正负样本均衡
在处理样本不均衡问题时，主要分为两种情况

• 正负样本个数差距很大，并且同时正负样本个数本身也很大，这个时候可以采取下采样方法。
  下采样：对训练集里面样本数量较多的类别（多数类）进行欠采样，抛弃一些样本来缓解类不平衡。
  
• 正负样本个数差距很大，并且同时正负样本个数本身比较小，这个时候可以采取上采样方法。
  上采样：对训练集里面样本数量较少的类别（少数类）进行过采样，合成新的样本来缓解类不平衡。 这个时候会用到一个非常经典的过采样算法SMOTE（关于过采样SMOTE算法，在之前的一篇文章中（机器学习项目实战 交易数据异常检测），里面有进行说明和应用，在这块不再重复）
  
  

3.2特征预处理对于不同类型的特征，处理方式不同，下面分别来概述
3.2.1数值型（指的是连续型数据）数值型特征，一般需要做以下几个方面处理
1.1统计值。需要查看对应特征的最大值，最小值，平均值，方差等，从而对数据进行更好的分析，
下面以sklearn中的自带的鸢尾花数据集为例，通过代码来演示
import numpy as npimport pandas as pdfrom sklearn.datasets import load_irisiris = load_iris() #获取数据集# iris.data[:5] #   展示数据集的前5个数据series = pd.Series(iris.data[:,0])series.describe()  #通过describe方法，可以直接获得当前特征下数据的总数，均值，方差，各个分位数，以及最大最小值等复制代码count    150.000000mean       5.843333std        0.828066min        4.30000025%        5.10000050%        5.80000075%        6.400000max        7.900000dtype: float64复制代码1.2.无量纲化。 常用的无量纲化方法有标准化和区间缩放法。(1).标准化：标准化需要计算对应特征下数据的均值和方差，然后看当前特征下每个值距离均值多少个方差，具体公式如下：
(2).区间缩放法：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，具体公式如下：
(3)标准化和归一化的区别：可以这样来区分，对于一个m个样本，n个特征的m*n的特征矩阵，一行表示的是一个样本数据，包含n个特征，一列表示一个特征下的m个样本数据。上面所说的标准化是针对的特征矩阵的列处理数据，将样本的特征值转换到同一量纲下，而归一化则是依据特征矩阵的行进行处理数据，如果将一行数据看做一个向量的化，相当于向量的单位化
上面两个方法（标准化和区间缩放分），sklearn中已经帮我们封装好了，具体代码如下
from sklearn.preprocessing import StandardScalerStandardScaler().fit_transform(iris.data)    #标准化from sklearn.preprocessing import MinMaxScalerMinMaxScaler().fit_transform(iris.data)复制代码array([[0.22222222, 0.625     , 0.06779661, 0.04166667],       [0.16666667, 0.41666667, 0.06779661, 0.04166667],       [0.11111111, 0.5       , 0.05084746, 0.04166667],       [0.08333333, 0.45833333, 0.08474576, 0.04166667],       [0.19444444, 0.66666667, 0.06779661, 0.04166667],       [0.30555556, 0.79166667, 0.11864407, 0.125     ],       [0.08333333, 0.58333333, 0.06779661, 0.08333333],       [0.19444444, 0.58333333, 0.08474576, 0.04166667],       [0.02777778, 0.375     , 0.06779661, 0.04166667],       [0.16666667, 0.45833333, 0.08474576, 0.        ],       [0.30555556, 0.70833333, 0.08474576, 0.04166667],       [0.13888889, 0.58333333, 0.10169492, 0.04166667],       [0.13888889, 0.41666667, 0.06779661, 0.        ],       [0.        , 0.41666667, 0.01694915, 0.        ],       [0.41666667, 0.83333333, 0.03389831, 0.04166667],       [0.38888889, 1.        , 0.08474576, 0.125     ],       [0.30555556, 0.79166667, 0.05084746, 0.125     ],       [0.22222222, 0.625     , 0.06779661, 0.08333333],       [0.38888889, 0.75      , 0.11864407, 0.08333333],       [0.22222222, 0.75      , 0.08474576, 0.08333333],       [0.30555556, 0.58333333, 0.11864407, 0.04166667],       [0.22222222, 0.70833333, 0.08474576, 0.125     ],       [0.08333333, 0.66666667, 0.        , 0.04166667],       [0.22222222, 0.54166667, 0.11864407, 0.16666667],       [0.13888889, 0.58333333, 0.15254237, 0.04166667],       [0.19444444, 0.41666667, 0.10169492, 0.04166667],       [0.19444444, 0.58333333, 0.10169492, 0.125     ],       [0.25      , 0.625     , 0.08474576, 0.04166667],       [0.25      , 0.58333333, 0.06779661, 0.04166667],       [0.11111111, 0.5       , 0.10169492, 0.04166667],       [0.13888889, 0.45833333, 0.10169492, 0.04166667],       [0.30555556, 0.58333333, 0.08474576, 0.125     ],       [0.25      , 0.875     , 0.08474576, 0.        ],       [0.33333333, 0.91666667, 0.06779661, 0.04166667],       [0.16666667, 0.45833333, 0.08474576, 0.        ],       [0.19444444, 0.5       , 0.03389831, 0.04166667],       [0.33333333, 0.625     , 0.05084746, 0.04166667],       [0.16666667, 0.45833333, 0.08474576, 0.        ],       [0.02777778, 0.41666667, 0.05084746, 0.04166667],       [0.22222222, 0.58333333, 0.08474576, 0.04166667],       [0.19444444, 0.625     , 0.05084746, 0.08333333],       [0.05555556, 0.125     , 0.05084746, 0.08333333],       [0.02777778, 0.5       , 0.05084746, 0.04166667],       [0.19444444, 0.625     , 0.10169492, 0.20833333],       [0.22222222, 0.75      , 0.15254237, 0.125     ],       [0.13888889, 0.41666667, 0.06779661, 0.08333333],       [0.22222222, 0.75      , 0.10169492, 0.04166667],       [0.08333333, 0.5       , 0.06779661, 0.04166667],       [0.27777778, 0.70833333, 0.08474576, 0.04166667],       [0.19444444, 0.54166667, 0.06779661, 0.04166667],       [0.75      , 0.5       , 0.62711864, 0.54166667],       [0.58333333, 0.5       , 0.59322034, 0.58333333],       [0.72222222, 0.45833333, 0.66101695, 0.58333333],       [0.33333333, 0.125     , 0.50847458, 0.5       ],       [0.61111111, 0.33333333, 0.61016949, 0.58333333],       [0.38888889, 0.33333333, 0.59322034, 0.5       ],       [0.55555556, 0.54166667, 0.62711864, 0.625     ],       [0.16666667, 0.16666667, 0.38983051, 0.375     ],       [0.63888889, 0.375     , 0.61016949, 0.5       ],       [0.25      , 0.29166667, 0.49152542, 0.54166667],       [0.19444444, 0.        , 0.42372881, 0.375     ],       [0.44444444, 0.41666667, 0.54237288, 0.58333333],       [0.47222222, 0.08333333, 0.50847458, 0.375     ],       [0.5       , 0.375     , 0.62711864, 0.54166667],       [0.36111111, 0.375     , 0.44067797, 0.5       ],       [0.66666667, 0.45833333, 0.57627119, 0.54166667],       [0.36111111, 0.41666667, 0.59322034, 0.58333333],       [0.41666667, 0.29166667, 0.52542373, 0.375     ],       [0.52777778, 0.08333333, 0.59322034, 0.58333333],       [0.36111111, 0.20833333, 0.49152542, 0.41666667],       [0.44444444, 0.5       , 0.6440678 , 0.70833333],       [0.5       , 0.33333333, 0.50847458, 0.5       ],       [0.55555556, 0.20833333, 0.66101695, 0.58333333],       [0.5       , 0.33333333, 0.62711864, 0.45833333],       [0.58333333, 0.375     , 0.55932203, 0.5       ],       [0.63888889, 0.41666667, 0.57627119, 0.54166667],       [0.69444444, 0.33333333, 0.6440678 , 0.54166667],       [0.66666667, 0.41666667, 0.6779661 , 0.66666667],       [0.47222222, 0.375     , 0.59322034, 0.58333333],       [0.38888889, 0.25      , 0.42372881, 0.375     ],       [0.33333333, 0.16666667, 0.47457627, 0.41666667],       [0.33333333, 0.16666667, 0.45762712, 0.375     ],       [0.41666667, 0.29166667, 0.49152542, 0.45833333],       [0.47222222, 0.29166667, 0.69491525, 0.625     ],       [0.30555556, 0.41666667, 0.59322034, 0.58333333],       [0.47222222, 0.58333333, 0.59322034, 0.625     ],       [0.66666667, 0.45833333, 0.62711864, 0.58333333],       [0.55555556, 0.125     , 0.57627119, 0.5       ],       [0.36111111, 0.41666667, 0.52542373, 0.5       ],       [0.33333333, 0.20833333, 0.50847458, 0.5       ],       [0.33333333, 0.25      , 0.57627119, 0.45833333],       [0.5       , 0.41666667, 0.61016949, 0.54166667],       [0.41666667, 0.25      , 0.50847458, 0.45833333],       [0.19444444, 0.125     , 0.38983051, 0.375     ],       [0.36111111, 0.29166667, 0.54237288, 0.5       ],       [0.38888889, 0.41666667, 0.54237288, 0.45833333],       [0.38888889, 0.375     , 0.54237288, 0.5       ],       [0.52777778, 0.375     , 0.55932203, 0.5       ],       [0.22222222, 0.20833333, 0.33898305, 0.41666667],       [0.38888889, 0.33333333, 0.52542373, 0.5       ],       [0.55555556, 0.54166667, 0.84745763, 1.        ],       [0.41666667, 0.29166667, 0.69491525, 0.75      ],       [0.77777778, 0.41666667, 0.83050847, 0.83333333],       [0.55555556, 0.375     , 0.77966102, 0.70833333],       [0.61111111, 0.41666667, 0.81355932, 0.875     ],       [0.91666667, 0.41666667, 0.94915254, 0.83333333],       [0.16666667, 0.20833333, 0.59322034, 0.66666667],       [0.83333333, 0.375     , 0.89830508, 0.70833333],       [0.66666667, 0.20833333, 0.81355932, 0.70833333],       [0.80555556, 0.66666667, 0.86440678, 1.        ],       [0.61111111, 0.5       , 0.69491525, 0.79166667],       [0.58333333, 0.29166667, 0.72881356, 0.75      ],       [0.69444444, 0.41666667, 0.76271186, 0.83333333],       [0.38888889, 0.20833333, 0.6779661 , 0.79166667],       [0.41666667, 0.33333333, 0.69491525, 0.95833333],       [0.58333333, 0.5       , 0.72881356, 0.91666667],       [0.61111111, 0.41666667, 0.76271186, 0.70833333],       [0.94444444, 0.75      , 0.96610169, 0.875     ],       [0.94444444, 0.25      , 1.        , 0.91666667],       [0.47222222, 0.08333333, 0.6779661 , 0.58333333],       [0.72222222, 0.5       , 0.79661017, 0.91666667],       [0.36111111, 0.33333333, 0.66101695, 0.79166667],       [0.94444444, 0.33333333, 0.96610169, 0.79166667],       [0.55555556, 0.29166667, 0.66101695, 0.70833333],       [0.66666667, 0.54166667, 0.79661017, 0.83333333],       [0.80555556, 0.5       , 0.84745763, 0.70833333],       [0.52777778, 0.33333333, 0.6440678 , 0.70833333],       [0.5       , 0.41666667, 0.66101695, 0.70833333],       [0.58333333, 0.33333333, 0.77966102, 0.83333333],       [0.80555556, 0.41666667, 0.81355932, 0.625     ],       [0.86111111, 0.33333333, 0.86440678, 0.75      ],       [1.        , 0.75      , 0.91525424, 0.79166667],       [0.58333333, 0.33333333, 0.77966102, 0.875     ],       [0.55555556, 0.33333333, 0.69491525, 0.58333333],       [0.5       , 0.25      , 0.77966102, 0.54166667],       [0.94444444, 0.41666667, 0.86440678, 0.91666667],       [0.55555556, 0.58333333, 0.77966102, 0.95833333],       [0.58333333, 0.45833333, 0.76271186, 0.70833333],       [0.47222222, 0.41666667, 0.6440678 , 0.70833333],       [0.72222222, 0.45833333, 0.74576271, 0.83333333],       [0.66666667, 0.45833333, 0.77966102, 0.95833333],       [0.72222222, 0.45833333, 0.69491525, 0.91666667],       [0.41666667, 0.29166667, 0.69491525, 0.75      ],       [0.69444444, 0.5       , 0.83050847, 0.91666667],       [0.66666667, 0.54166667, 0.79661017, 1.        ],       [0.66666667, 0.41666667, 0.71186441, 0.91666667],       [0.55555556, 0.20833333, 0.6779661 , 0.75      ],       [0.61111111, 0.41666667, 0.71186441, 0.79166667],       [0.52777778, 0.58333333, 0.74576271, 0.91666667],       [0.44444444, 0.41666667, 0.69491525, 0.70833333]])复制代码1.3.离散化离散化是数值型特征非常重要的一个处理，其实就是要将数值型数据转化成类别型数据
连续值的取值空间可能是无穷的，为了便于表示和在模型中处理，需要对连续值特征进行离散化处理
在工业界，很少直接将连续值作为特征喂给逻辑回归模型，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点：

• 稀疏向量内积乘法运算速度快，计算结果方便存储，容易scalable（扩展）。
  
• 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰。
  
• 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合。
  
• 离散化后可以进行特征交叉，由M N个变量变为M*N个变量，进一步引入非线性，提升表达能力。
  
• 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问。
  
  

常用的离散化方法包括等值划分和等量划分。
（1）.等值划分是将特征按照值域进行均分，每一段内的取值等同处理。例如某个特征的取值范围为[0，10]，我们可以将其划分为10段，[0，1)，[1，2)，...，[9，10)。
（2）.等量划分是根据样本总数进行均分，每段等量个样本划分为1段。例如距离特征，取值范围［0，3000000］，现在需要切分成10段，如果按照等比例划分的话，会发现绝大部分样本都在第1段中。使用等量划分就会避免这种问题，最终可能的切分是[0，100)，[100，300)，[300，500)，..，[10000，3000000]，前面的区间划分比较密，后面的比较稀疏
下面看下代码实现
ages = np.array([20, 22,25,27,21,23,37,31,61,45,41,32]) #一些年龄数据# 通过 pandas中的cut方法可以分割数据# factory = pd.cut(ages,4)     #arr原始数据 , 4：要分割成几段factory = pd.cut(ages,4,labels=['Youth', 'YoungAdult', 'MiddleAged', 'Senior']) #lable，对于每个类别可以自己命名# factory = pd.cut(arr,bins=[18,25,35,60,100],labels=['a','b','c','d']) #bins 自己指定的分割界限# factory.dtype  #CategoricalDtype，可以看到，cut后返回的是一个Categorical 类型的对象test = np.array(factory)  #获取出分类后的数据test# factory.codes  # array([0, 0, 0, 0, 0, 0, 1, 1, 3, 2, 2, 1], dtype=int8)复制代码array(['Youth', 'Youth', 'Youth', 'Youth', 'Youth', 'Youth', 'YoungAdult',       'YoungAdult', 'Senior', 'MiddleAged', 'MiddleAged', 'YoungAdult'],      dtype=object)复制代码# 下面看下等量划分# 通过 pandas中的qcut方法可以分割数据factory = pd.qcut(ages,4) # factoryfactory.value_counts()   #可以看到，通过等量划分，每个类别中的数据个数都一样复制代码(19.999, 22.75]    3(22.75, 29.0]      3(29.0, 38.0]       3(38.0, 61.0]       3dtype: int64复制代码3.2.2类别型数据one-hot编码对于类别型数据，最主要的一个处理，就是进行one-hot编码,看具体例子
# 创建一个简单的原始数据testdata = pd.DataFrame({'age':[4,6,3,3],'pet':['cat','dog','dog','fish']})testdata复制代码                age      pet   
              0      4      cat   
          1      6      dog   
          2      3      dog   
          3      3      fish   
#第一种方法，通过pandas中的提供的get_dummies方法pd.get_dummies(testdata,columns=['pet']) #第一个参数为原始数据，columns传入需要编码转换的特征，可以为多个，返回新的数据复制代码                age      pet_cat      pet_dog      pet_fish   
              0      4      1      0      0   
          1      6      0      1      0   
          2      3      0      1      0   
          3      3      0      0      1   
testdata.pet.values.reshape(-1,1)复制代码array([['cat'],       ['dog'],       ['dog'],       ['fish']], dtype=object)复制代码#第二种方法，使用sklearn中的OneHotEncoder方法from sklearn.preprocessing import OneHotEncoderOneHotEncoder().fit_transform(testdata.age.values.reshape(-1,1)).toarray()   复制代码array([[0., 1., 0.],       [0., 0., 1.],       [1., 0., 0.],       [1., 0., 0.]])复制代码#OneHotEncoder不能对String型的数值做处理,对String类型做处理的话需要先进行转换# OneHotEncoder().fit_transform(testdata.pet.values.reshape(-1,1)).toarray()  #会报错from sklearn.preprocessing import LabelEncoderpetvalue = LabelEncoder().fit_transform(testdata.pet)print(petvalue)  # [0 1 1 2] 将字符串类别转换成整型类别OneHotEncoder().fit_transform(petvalue.reshape(-1,1)).toarray() #可以看到结果和上面通过get_dummies转换出的结果相同复制代码[0 1 1 2]array([[1., 0., 0.],       [0., 1., 0.],       [0., 1., 0.],       [0., 0., 1.]])复制代码3.2.3时间型数据对于时间型数据来说，即可以把它转换成连续值，也可以转换成离散值。
连续值比如持续时间（单页浏览时长），间隔时间（上次购买/点击离现在的时间）
离散值比如一天中哪个时间段(hour_0-23) ，一周中星期几(week_monday...) ，一年中哪个星期 ，工作日/周末 ， 一年中哪个季度 等
#下面看个例子，这个数据是一个2年内按小时做的自行车租赁数据import pandas as pddata = pd.read_csv('kaggle_bike_competition_train.csv', header = 0, error_bad_lines=False)data.head()  #先看下数据的样子，打印前5行复制代码                datetime      season      holiday      workingday      weather      temp      atemp      humidity      windspeed      casual      registered      count   
              0      2011-01-01 00:00:00      1      0      0      1      9.84      14.395      81      0.0      3      13      16   
          1      2011-01-01 01:00:00      1      0      0      1      9.02      13.635      80      0.0      8      32      40   
          2      2011-01-01 02:00:00      1      0      0      1      9.02      13.635      80      0.0      5      27      32   
          3      2011-01-01 03:00:00      1      0      0      1      9.84      14.395      75      0.0      3      10      13   
          4      2011-01-01 04:00:00      1      0      0      1      9.84      14.395      75      0.0      0      1      1   
#下面我们只看datatime这个时间类型属性，#首先，我们可以将它切分成data = data.iloc[:,:1] #只看datatime这个属性temp = pd.DatetimeIndex(data['datetime'])data['date'] = temp.date  #日期  data['time'] = temp.time  #时间data['year'] = temp.year  #年data['month'] = temp.month #月data['day'] = temp.day #日data['hour'] = temp.hour #小时data['dayofweek'] = temp.dayofweek  #具体星期几data['dateDays'] = (data.date - data.date[0]) #生成一个时间长度特征  ['0days','0days',...,'1days',...]data['dateDays'] = data['dateDays'].astype('timedelta64[D]')  #转换成float型data复制代码                datetime      date      time      year      month      day      hour      dayofweek      dateDays   
              0      2011-01-01 00:00:00      2011-01-01      00:00:00      2011      1      1      0      5      0.0   
          1      2011-01-01 01:00:00      2011-01-01      01:00:00      2011      1      1      1      5      0.0   
          2      2011-01-01 02:00:00      2011-01-01      02:00:00      2011      1      1      2      5      0.0   
          3      2011-01-01 03:00:00      2011-01-01      03:00:00      2011      1      1      3      5      0.0   
          4      2011-01-01 04:00:00      2011-01-01      04:00:00      2011      1      1      4      5      0.0   
          5      2011-01-01 05:00:00      2011-01-01      05:00:00      2011      1      1      5      5      0.0   
          6      2011-01-01 06:00:00      2011-01-01      06:00:00      2011      1      1      6      5      0.0   
          7      2011-01-01 07:00:00      2011-01-01      07:00:00      2011      1      1      7      5      0.0   
          8      2011-01-01 08:00:00      2011-01-01      08:00:00      2011      1      1      8      5      0.0   
          9      2011-01-01 09:00:00      2011-01-01      09:00:00      2011      1      1      9      5      0.0   
          10      2011-01-01 10:00:00      2011-01-01      10:00:00      2011      1      1      10      5      0.0   
          11      2011-01-01 11:00:00      2011-01-01      11:00:00      2011      1      1      11      5      0.0   
          12      2011-01-01 12:00:00      2011-01-01      12:00:00      2011      1      1      12      5      0.0   
          13      2011-01-01 13:00:00      2011-01-01      13:00:00      2011      1      1      13      5      0.0   
          14      2011-01-01 14:00:00      2011-01-01      14:00:00      2011      1      1      14      5      0.0   
          15      2011-01-01 15:00:00      2011-01-01      15:00:00      2011      1      1      15      5      0.0   
          16      2011-01-01 16:00:00      2011-01-01      16:00:00      2011      1      1      16      5      0.0   
          17      2011-01-01 17:00:00      2011-01-01      17:00:00      2011      1      1      17      5      0.0   
          18      2011-01-01 18:00:00      2011-01-01      18:00:00      2011      1      1      18      5      0.0   
          19      2011-01-01 19:00:00      2011-01-01      19:00:00      2011      1      1      19      5      0.0   
          20      2011-01-01 20:00:00      2011-01-01      20:00:00      2011      1      1      20      5      0.0   
          21      2011-01-01 21:00:00      2011-01-01      21:00:00      2011      1      1      21      5      0.0   
          22      2011-01-01 22:00:00      2011-01-01      22:00:00      2011      1      1      22      5      0.0   
          23      2011-01-01 23:00:00      2011-01-01      23:00:00      2011      1      1      23      5      0.0   
          24      2011-01-02 00:00:00      2011-01-02      00:00:00      2011      1      2      0      6      1.0   
          25      2011-01-02 01:00:00      2011-01-02      01:00:00      2011      1      2      1      6      1.0   
          26      2011-01-02 02:00:00      2011-01-02      02:00:00      2011      1      2      2      6      1.0   
          27      2011-01-02 03:00:00      2011-01-02      03:00:00      2011      1      2      3      6      1.0   
          28      2011-01-02 04:00:00      2011-01-02      04:00:00      2011      1      2      4      6      1.0   
          29      2011-01-02 06:00:00      2011-01-02      06:00:00      2011      1      2      6      6      1.0   
          ...      ...      ...      ...      ...      ...      ...      ...      ...      ...   
          10856      2012-12-18 18:00:00      2012-12-18      18:00:00      2012      12      18      18      1      717.0   
          10857      2012-12-18 19:00:00      2012-12-18      19:00:00      2012      12      18      19      1      717.0   
          10858      2012-12-18 20:00:00      2012-12-18      20:00:00      2012      12      18      20      1      717.0   
          10859      2012-12-18 21:00:00      2012-12-18      21:00:00      2012      12      18      21      1      717.0   
          10860      2012-12-18 22:00:00      2012-12-18      22:00:00      2012      12      18      22      1      717.0   
          10861      2012-12-18 23:00:00      2012-12-18      23:00:00      2012      12      18      23      1      717.0   
          10862      2012-12-19 00:00:00      2012-12-19      00:00:00      2012      12      19      0      2      718.0   
          10863      2012-12-19 01:00:00      2012-12-19      01:00:00      2012      12      19      1      2      718.0   
          10864      2012-12-19 02:00:00      2012-12-19      02:00:00      2012      12      19      2      2      718.0   
          10865      2012-12-19 03:00:00      2012-12-19      03:00:00      2012      12      19      3      2      718.0   
          10866      2012-12-19 04:00:00      2012-12-19      04:00:00      2012      12      19      4      2      718.0   
          10867      2012-12-19 05:00:00      2012-12-19      05:00:00      2012      12      19      5      2      718.0   
          10868      2012-12-19 06:00:00      2012-12-19      06:00:00      2012      12      19      6      2      718.0   
          10869      2012-12-19 07:00:00      2012-12-19      07:00:00      2012      12      19      7      2      718.0   
          10870      2012-12-19 08:00:00      2012-12-19      08:00:00      2012      12      19      8      2      718.0   
          10871      2012-12-19 09:00:00      2012-12-19      09:00:00      2012      12      19      9      2      718.0   
          10872      2012-12-19 10:00:00      2012-12-19      10:00:00      2012      12      19      10      2      718.0   
          10873      2012-12-19 11:00:00      2012-12-19      11:00:00      2012      12      19      11      2      718.0   
          10874      2012-12-19 12:00:00      2012-12-19      12:00:00      2012      12      19      12      2      718.0   
          10875      2012-12-19 13:00:00      2012-12-19      13:00:00      2012      12      19      13      2      718.0   
          10876      2012-12-19 14:00:00      2012-12-19      14:00:00      2012      12      19      14      2      718.0   
          10877      2012-12-19 15:00:00      2012-12-19      15:00:00      2012      12      19      15      2      718.0   
          10878      2012-12-19 16:00:00      2012-12-19      16:00:00      2012      12      19      16      2      718.0   
          10879      2012-12-19 17:00:00      2012-12-19      17:00:00      2012      12      19      17      2      718.0   
          10880      2012-12-19 18:00:00      2012-12-19      18:00:00      2012      12      19      18      2      718.0   
          10881      2012-12-19 19:00:00      2012-12-19      19:00:00      2012      12      19      19      2      718.0   
          10882      2012-12-19 20:00:00      2012-12-19      20:00:00      2012      12      19      20      2      718.0   
          10883      2012-12-19 21:00:00      2012-12-19      21:00:00      2012      12      19      21      2      718.0   
          10884      2012-12-19 22:00:00      2012-12-19      22:00:00      2012      12      19      22      2      718.0   
          10885      2012-12-19 23:00:00      2012-12-19      23:00:00      2012      12      19      23      2      718.0    10886 rows × 9 columns

temp复制代码DatetimeIndex(['2011-01-01 00:00:00', '2011-01-01 01:00:00',               '2011-01-01 02:00:00', '2011-01-01 03:00:00',               '2011-01-01 04:00:00', '2011-01-01 05:00:00',               '2011-01-01 06:00:00', '2011-01-01 07:00:00',               '2011-01-01 08:00:00', '2011-01-01 09:00:00',               ...               '2012-12-19 14:00:00', '2012-12-19 15:00:00',               '2012-12-19 16:00:00', '2012-12-19 17:00:00',               '2012-12-19 18:00:00', '2012-12-19 19:00:00',               '2012-12-19 20:00:00', '2012-12-19 21:00:00',               '2012-12-19 22:00:00', '2012-12-19 23:00:00'],              dtype='datetime64[ns]', name='datetime', length=10886, freq=None)复制代码3.3特征降维在实际项目中，并不是维数越高越好，为什么要进行降维操作，主要是出于一下考虑

• 特征维数越高，模型越容易过拟合，此时更复杂的模型就不好用。
• 相互独立的特征维数越高，在模型不变的情况下，在测试集上达到相同的效果表现所需要的训练样本的数目就越大。
• 特征数量增加带来的训练、测试以及存储的开销都会增大。
• 在某些模型中，例如基于距离计算的模型KMeans，KNN等模型，在进行距离计算时，维度过高会影响精度和性能。5.可视化分析的需要。在低维的情况下，例如二维，三维，我们可以把数据绘制出来，可视化地看到数据。当维度增高时，就难以绘制出来了。
  在机器学习中，有一个非常经典的维度灾难的概念。
  

正是由于高维特征有如上描述的各种各样的问题，所以我们需要进行特征降维和特征选择等工作。特征降维常用的算法有PCA，LDA等。特征降维的目标是将高维空间中的数据集映射到低维空间数据，同时尽可能少地丢失信息，或者降维后的数据点尽可能地容易被区分关于PCA算法，在之前的文章有介绍  PCA算法分析
3.4 特征选择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。
特征选择的目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant )的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化模型，协助理解数据产生的过程。
根据特征选项的形式，可以将特征选择方法分为三种

• Filter：过滤法，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，排序留下Top 相关的特征部分。
• Wrapper：包装法，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。
• Embedded：嵌入法，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。类似于Filter方法，但是是通过训练来确定特征的优劣。
  

3.4.1 Filter(过滤法)方差选择法使用方差选择法，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。
from sklearn.feature_selection import VarianceThreshold# iris.data[:,0].var()   #0.6811222222222223# iris.data[:,1].var()   #0.18675066666666668# iris.data[:,2].var()   #3.092424888888889# iris.data[:,3].var()     #0.5785315555555555#threshold:比较的方差的阈值，返回方差大于阈值的特征对应的数据。针对上面的鸢尾花数据集，只会返回第三列数据# VarianceThreshold(threshold=3).fit_transform(iris.data)复制代码相关系数法使用相关系数法，先要计算各个特征对目标值的相关系数以及相关系数的P值。
用feature_selection库的SelectKBest类结合相关系数来选择特征的代码如下
#首先看下皮尔森相关系数的计算from scipy.stats import pearsonr  #用来计算相关系数np.random.seed(0)  #设置相同的seed，每次生成的随机数相同size = 300test = np.random.normal(0,1,size)# print("加入低噪声后：",pearsonr(test,test+np.random.normal(0,1,size))) #返回的第一个值为相关系数，第二个值为P值# print("加入高噪声后：",pearsonr(test,test+np.random.normal(0,10,size)))#相关系统越高，p值越小from sklearn.feature_selection import SelectKBest#选择K个最好的特征，返回选择特征后的数据#第一个参数为计算评估特征是否好的函数，该函数输入特征矩阵和目标向量，输出二元组（评分，P值）的数组，数组第i项为第i个特征的评分和P值。在此定义为计算相关系数#参数k为选择的特征个数SelectKBest(lambda X, Y: list(np.array(list(map(lambda x:pearsonr(x, Y), X.T))).T), k=2).fit_transform(iris.data, iris.target)复制代码array([[1.4, 0.2],       [1.4, 0.2],       [1.3, 0.2],       [1.5, 0.2],       [1.4, 0.2],       [1.7, 0.4],       [1.4, 0.3],       [1.5, 0.2],       [1.4, 0.2],       [1.5, 0.1],       [1.5, 0.2],       [1.6, 0.2],       [1.4, 0.1],       [1.1, 0.1],       [1.2, 0.2],       [1.5, 0.4],       [1.3, 0.4],       [1.4, 0.3],       [1.7, 0.3],       [1.5, 0.3],       [1.7, 0.2],       [1.5, 0.4],       [1. , 0.2],       [1.7, 0.5],       [1.9, 0.2],       [1.6, 0.2],       [1.6, 0.4],       [1.5, 0.2],       [1.4, 0.2],       [1.6, 0.2],       [1.6, 0.2],       [1.5, 0.4],       [1.5, 0.1],       [1.4, 0.2],       [1.5, 0.1],       [1.2, 0.2],       [1.3, 0.2],       [1.5, 0.1],       [1.3, 0.2],       [1.5, 0.2],       [1.3, 0.3],       [1.3, 0.3],       [1.3, 0.2],       [1.6, 0.6],       [1.9, 0.4],       [1.4, 0.3],       [1.6, 0.2],       [1.4, 0.2],       [1.5, 0.2],       [1.4, 0.2],       [4.7, 1.4],       [4.5, 1.5],       [4.9, 1.5],       [4. , 1.3],       [4.6, 1.5],       [4.5, 1.3],       [4.7, 1.6],       [3.3, 1. ],       [4.6, 1.3],       [3.9, 1.4],       [3.5, 1. ],       [4.2, 1.5],       [4. , 1. ],       [4.7, 1.4],       [3.6, 1.3],       [4.4, 1.4],       [4.5, 1.5],       [4.1, 1. ],       [4.5, 1.5],       [3.9, 1.1],       [4.8, 1.8],       [4. , 1.3],       [4.9, 1.5],       [4.7, 1.2],       [4.3, 1.3],       [4.4, 1.4],       [4.8, 1.4],       [5. , 1.7],       [4.5, 1.5],       [3.5, 1. ],       [3.8, 1.1],       [3.7, 1. ],       [3.9, 1.2],       [5.1, 1.6],       [4.5, 1.5],       [4.5, 1.6],       [4.7, 1.5],       [4.4, 1.3],       [4.1, 1.3],       [4. , 1.3],       [4.4, 1.2],       [4.6, 1.4],       [4. , 1.2],       [3.3, 1. ],       [4.2, 1.3],       [4.2, 1.2],       [4.2, 1.3],       [4.3, 1.3],       [3. , 1.1],       [4.1, 1.3],       [6. , 2.5],       [5.1, 1.9],       [5.9, 2.1],       [5.6, 1.8],       [5.8, 2.2],       [6.6, 2.1],       [4.5, 1.7],       [6.3, 1.8],       [5.8, 1.8],       [6.1, 2.5],       [5.1, 2. ],       [5.3, 1.9],       [5.5, 2.1],       [5. , 2. ],       [5.1, 2.4],       [5.3, 2.3],       [5.5, 1.8],       [6.7, 2.2],       [6.9, 2.3],       [5. , 1.5],       [5.7, 2.3],       [4.9, 2. ],       [6.7, 2. ],       [4.9, 1.8],       [5.7, 2.1],       [6. , 1.8],       [4.8, 1.8],       [4.9, 1.8],       [5.6, 2.1],       [5.8, 1.6],       [6.1, 1.9],       [6.4, 2. ],       [5.6, 2.2],       [5.1, 1.5],       [5.6, 1.4],       [6.1, 2.3],       [5.6, 2.4],       [5.5, 1.8],       [4.8, 1.8],       [5.4, 2.1],       [5.6, 2.4],       [5.1, 2.3],       [5.1, 1.9],       [5.9, 2.3],       [5.7, 2.5],       [5.2, 2.3],       [5. , 1.9],       [5.2, 2. ],       [5.4, 2.3],       [5.1, 1.8]])复制代码卡方检验经典的卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有N种取值，因变量有M种取值，考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距，构建统计量：
用feature_selection库的SelectKBest类结合卡方检验来选择特征的代码如下：
from sklearn.feature_selection import SelectKBestfrom sklearn.feature_selection import chi2#选择K个最好的特征，返回选择特征后的数据SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target)复制代码array([[1.4, 0.2],       [1.4, 0.2],       [1.3, 0.2],       [1.5, 0.2],       [1.4, 0.2],       [1.7, 0.4],       [1.4, 0.3],       [1.5, 0.2],       [1.4, 0.2],       [1.5, 0.1],       [1.5, 0.2],       [1.6, 0.2],       [1.4, 0.1],       [1.1, 0.1],       [1.2, 0.2],       [1.5, 0.4],       [1.3, 0.4],       [1.4, 0.3],       [1.7, 0.3],       [1.5, 0.3],       [1.7, 0.2],       [1.5, 0.4],       [1. , 0.2],       [1.7, 0.5],       [1.9, 0.2],       [1.6, 0.2],       [1.6, 0.4],       [1.5, 0.2],       [1.4, 0.2],       [1.6, 0.2],       [1.6, 0.2],       [1.5, 0.4],       [1.5, 0.1],       [1.4, 0.2],       [1.5, 0.1],       [1.2, 0.2],       [1.3, 0.2],       [1.5, 0.1],       [1.3, 0.2],       [1.5, 0.2],       [1.3, 0.3],       [1.3, 0.3],       [1.3, 0.2],       [1.6, 0.6],       [1.9, 0.4],       [1.4, 0.3],       [1.6, 0.2],       [1.4, 0.2],       [1.5, 0.2],       [1.4, 0.2],       [4.7, 1.4],       [4.5, 1.5],       [4.9, 1.5],       [4. , 1.3],       [4.6, 1.5],       [4.5, 1.3],       [4.7, 1.6],       [3.3, 1. ],       [4.6, 1.3],       [3.9, 1.4],       [3.5, 1. ],       [4.2, 1.5],       [4. , 1. ],       [4.7, 1.4],       [3.6, 1.3],       [4.4, 1.4],       [4.5, 1.5],       [4.1, 1. ],       [4.5, 1.5],       [3.9, 1.1],       [4.8, 1.8],       [4. , 1.3],       [4.9, 1.5],       [4.7, 1.2],       [4.3, 1.3],       [4.4, 1.4],       [4.8, 1.4],       [5. , 1.7],       [4.5, 1.5],       [3.5, 1. ],       [3.8, 1.1],       [3.7, 1. ],       [3.9, 1.2],       [5.1, 1.6],       [4.5, 1.5],       [4.5, 1.6],       [4.7, 1.5],       [4.4, 1.3],       [4.1, 1.3],       [4. , 1.3],       [4.4, 1.2],       [4.6, 1.4],       [4. , 1.2],       [3.3, 1. ],       [4.2, 1.3],       [4.2, 1.2],       [4.2, 1.3],       [4.3, 1.3],       [3. , 1.1],       [4.1, 1.3],       [6. , 2.5],       [5.1, 1.9],       [5.9, 2.1],       [5.6, 1.8],       [5.8, 2.2],       [6.6, 2.1],       [4.5, 1.7],       [6.3, 1.8],       [5.8, 1.8],       [6.1, 2.5],       [5.1, 2. ],       [5.3, 1.9],       [5.5, 2.1],       [5. , 2. ],       [5.1, 2.4],       [5.3, 2.3],       [5.5, 1.8],       [6.7, 2.2],       [6.9, 2.3],       [5. , 1.5],       [5.7, 2.3],       [4.9, 2. ],       [6.7, 2. ],       [4.9, 1.8],       [5.7, 2.1],       [6. , 1.8],       [4.8, 1.8],       [4.9, 1.8],       [5.6, 2.1],       [5.8, 1.6],       [6.1, 1.9],       [6.4, 2. ],       [5.6, 2.2],       [5.1, 1.5],       [5.6, 1.4],       [6.1, 2.3],       [5.6, 2.4],       [5.5, 1.8],       [4.8, 1.8],       [5.4, 2.1],       [5.6, 2.4],       [5.1, 2.3],       [5.1, 1.9],       [5.9, 2.3],       [5.7, 2.5],       [5.2, 2.3],       [5. , 1.9],       [5.2, 2. ],       [5.4, 2.3],       [5.1, 1.8]])复制代码3.4.2 Wrapper(包裹型)把特征选择看做一个特征子集搜索问题，筛选各种特 征子集，用模型评估效果。
典型的包裹型算法为 “递归特征删除算 法”
递归特征消除法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。
比如用逻辑回归，怎么做这个事情呢？
①  用全量特征跑一个模型
②  根据线性模型的系数(体现相关性)，删掉5-10%的弱特征，观 察准确率/auc的变化
③  逐步进行，直至准确率/auc出现大的下滑停止
from sklearn.feature_selection import RFEfrom sklearn.linear_model import LogisticRegression #递归特征消除法，返回特征选择后的数据#参数estimator为基模型#参数n_features_to_select为选择的特征个数RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target)复制代码array([[3.5, 0.2],       [3. , 0.2],       [3.2, 0.2],       [3.1, 0.2],       [3.6, 0.2],       [3.9, 0.4],       [3.4, 0.3],       [3.4, 0.2],       [2.9, 0.2],       [3.1, 0.1],       [3.7, 0.2],       [3.4, 0.2],       [3. , 0.1],       [3. , 0.1],       [4. , 0.2],       [4.4, 0.4],       [3.9, 0.4],       [3.5, 0.3],       [3.8, 0.3],       [3.8, 0.3],       [3.4, 0.2],       [3.7, 0.4],       [3.6, 0.2],       [3.3, 0.5],       [3.4, 0.2],       [3. , 0.2],       [3.4, 0.4],       [3.5, 0.2],       [3.4, 0.2],       [3.2, 0.2],       [3.1, 0.2],       [3.4, 0.4],       [4.1, 0.1],       [4.2, 0.2],       [3.1, 0.1],       [3.2, 0.2],       [3.5, 0.2],       [3.1, 0.1],       [3. , 0.2],       [3.4, 0.2],       [3.5, 0.3],       [2.3, 0.3],       [3.2, 0.2],       [3.5, 0.6],       [3.8, 0.4],       [3. , 0.3],       [3.8, 0.2],       [3.2, 0.2],       [3.7, 0.2],       [3.3, 0.2],       [3.2, 1.4],       [3.2, 1.5],       [3.1, 1.5],       [2.3, 1.3],       [2.8, 1.5],       [2.8, 1.3],       [3.3, 1.6],       [2.4, 1. ],       [2.9, 1.3],       [2.7, 1.4],       [2. , 1. ],       [3. , 1.5],       [2.2, 1. ],       [2.9, 1.4],       [2.9, 1.3],       [3.1, 1.4],       [3. , 1.5],       [2.7, 1. ],       [2.2, 1.5],       [2.5, 1.1],       [3.2, 1.8],       [2.8, 1.3],       [2.5, 1.5],       [2.8, 1.2],       [2.9, 1.3],       [3. , 1.4],       [2.8, 1.4],       [3. , 1.7],       [2.9, 1.5],       [2.6, 1. ],       [2.4, 1.1],       [2.4, 1. ],       [2.7, 1.2],       [2.7, 1.6],       [3. , 1.5],       [3.4, 1.6],       [3.1, 1.5],       [2.3, 1.3],       [3. , 1.3],       [2.5, 1.3],       [2.6, 1.2],       [3. , 1.4],       [2.6, 1.2],       [2.3, 1. ],       [2.7, 1.3],       [3. , 1.2],       [2.9, 1.3],       [2.9, 1.3],       [2.5, 1.1],       [2.8, 1.3],       [3.3, 2.5],       [2.7, 1.9],       [3. , 2.1],       [2.9, 1.8],       [3. , 2.2],       [3. , 2.1],       [2.5, 1.7],       [2.9, 1.8],       [2.5, 1.8],       [3.6, 2.5],       [3.2, 2. ],       [2.7, 1.9],       [3. , 2.1],       [2.5, 2. ],       [2.8, 2.4],       [3.2, 2.3],       [3. , 1.8],       [3.8, 2.2],       [2.6, 2.3],       [2.2, 1.5],       [3.2, 2.3],       [2.8, 2. ],       [2.8, 2. ],       [2.7, 1.8],       [3.3, 2.1],       [3.2, 1.8],       [2.8, 1.8],       [3. , 1.8],       [2.8, 2.1],       [3. , 1.6],       [2.8, 1.9],       [3.8, 2. ],       [2.8, 2.2],       [2.8, 1.5],       [2.6, 1.4],       [3. , 2.3],       [3.4, 2.4],       [3.1, 1.8],       [3. , 1.8],       [3.1, 2.1],       [3.1, 2.4],       [3.1, 2.3],       [2.7, 1.9],       [3.2, 2.3],       [3.3, 2.5],       [3. , 2.3],       [2.5, 1.9],       [3. , 2. ],       [3.4, 2.3],       [3. , 1.8]])复制代码3.4.3 Embedded(嵌入型)基于惩罚项的特征选择法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：
from sklearn.feature_selection import SelectFromModelfrom sklearn.linear_model import LogisticRegression#带L1惩罚项的逻辑回归作为基模型的特征选择SelectFromModel(LogisticRegression(penalty="l1", C=0.1)).fit_transform(iris.data, iris.target)复制代码array([[5.1, 3.5, 1.4],       [4.9, 3. , 1.4],       [4.7, 3.2, 1.3],       [4.6, 3.1, 1.5],       [5. , 3.6, 1.4],       [5.4, 3.9, 1.7],       [4.6, 3.4, 1.4],       [5. , 3.4, 1.5],       [4.4, 2.9, 1.4],       [4.9, 3.1, 1.5],       [5.4, 3.7, 1.5],       [4.8, 3.4, 1.6],       [4.8, 3. , 1.4],       [4.3, 3. , 1.1],       [5.8, 4. , 1.2],       [5.7, 4.4, 1.5],       [5.4, 3.9, 1.3],       [5.1, 3.5, 1.4],       [5.7, 3.8, 1.7],       [5.1, 3.8, 1.5],       [5.4, 3.4, 1.7],       [5.1, 3.7, 1.5],       [4.6, 3.6, 1. ],       [5.1, 3.3, 1.7],       [4.8, 3.4, 1.9],       [5. , 3. , 1.6],       [5. , 3.4, 1.6],       [5.2, 3.5, 1.5],       [5.2, 3.4, 1.4],       [4.7, 3.2, 1.6],       [4.8, 3.1, 1.6],       [5.4, 3.4, 1.5],       [5.2, 4.1, 1.5],       [5.5, 4.2, 1.4],       [4.9, 3.1, 1.5],       [5. , 3.2, 1.2],       [5.5, 3.5, 1.3],       [4.9, 3.1, 1.5],       [4.4, 3. , 1.3],       [5.1, 3.4, 1.5],       [5. , 3.5, 1.3],       [4.5, 2.3, 1.3],       [4.4, 3.2, 1.3],       [5. , 3.5, 1.6],       [5.1, 3.8, 1.9],       [4.8, 3. , 1.4],       [5.1, 3.8, 1.6],       [4.6, 3.2, 1.4],       [5.3, 3.7, 1.5],       [5. , 3.3, 1.4],       [7. , 3.2, 4.7],       [6.4, 3.2, 4.5],       [6.9, 3.1, 4.9],       [5.5, 2.3, 4. ],       [6.5, 2.8, 4.6],       [5.7, 2.8, 4.5],       [6.3, 3.3, 4.7],       [4.9, 2.4, 3.3],       [6.6, 2.9, 4.6],       [5.2, 2.7, 3.9],       [5. , 2. , 3.5],       [5.9, 3. , 4.2],       [6. , 2.2, 4. ],       [6.1, 2.9, 4.7],       [5.6, 2.9, 3.6],       [6.7, 3.1, 4.4],       [5.6, 3. , 4.5],       [5.8, 2.7, 4.1],       [6.2, 2.2, 4.5],       [5.6, 2.5, 3.9],       [5.9, 3.2, 4.8],       [6.1, 2.8, 4. ],       [6.3, 2.5, 4.9],       [6.1, 2.8, 4.7],       [6.4, 2.9, 4.3],       [6.6, 3. , 4.4],       [6.8, 2.8, 4.8],       [6.7, 3. , 5. ],       [6. , 2.9, 4.5],       [5.7, 2.6, 3.5],       [5.5, 2.4, 3.8],       [5.5, 2.4, 3.7],       [5.8, 2.7, 3.9],       [6. , 2.7, 5.1],       [5.4, 3. , 4.5],       [6. , 3.4, 4.5],       [6.7, 3.1, 4.7],       [6.3, 2.3, 4.4],       [5.6, 3. , 4.1],       [5.5, 2.5, 4. ],       [5.5, 2.6, 4.4],       [6.1, 3. , 4.6],       [5.8, 2.6, 4. ],       [5. , 2.3, 3.3],       [5.6, 2.7, 4.2],       [5.7, 3. , 4.2],       [5.7, 2.9, 4.2],       [6.2, 2.9, 4.3],       [5.1, 2.5, 3. ],       [5.7, 2.8, 4.1],       [6.3, 3.3, 6. ],       [5.8, 2.7, 5.1],       [7.1, 3. , 5.9],       [6.3, 2.9, 5.6],       [6.5, 3. , 5.8],       [7.6, 3. , 6.6],       [4.9, 2.5, 4.5],       [7.3, 2.9, 6.3],       [6.7, 2.5, 5.8],       [7.2, 3.6, 6.1],       [6.5, 3.2, 5.1],       [6.4, 2.7, 5.3],       [6.8, 3. , 5.5],       [5.7, 2.5, 5. ],       [5.8, 2.8, 5.1],       [6.4, 3.2, 5.3],       [6.5, 3. , 5.5],       [7.7, 3.8, 6.7],       [7.7, 2.6, 6.9],       [6. , 2.2, 5. ],       [6.9, 3.2, 5.7],       [5.6, 2.8, 4.9],       [7.7, 2.8, 6.7],       [6.3, 2.7, 4.9],       [6.7, 3.3, 5.7],       [7.2, 3.2, 6. ],       [6.2, 2.8, 4.8],       [6.1, 3. , 4.9],       [6.4, 2.8, 5.6],       [7.2, 3. , 5.8],       [7.4, 2.8, 6.1],       [7.9, 3.8, 6.4],       [6.4, 2.8, 5.6],       [6.3, 2.8, 5.1],       [6.1, 2.6, 5.6],       [7.7, 3. , 6.1],       [6.3, 3.4, 5.6],       [6.4, 3.1, 5.5],       [6. , 3. , 4.8],       [6.9, 3.1, 5.4],       [6.7, 3.1, 5.6],       [6.9, 3.1, 5.1],       [5.8, 2.7, 5.1],       [6.8, 3.2, 5.9],       [6.7, 3.3, 5.7],       [6.7, 3. , 5.2],       [6.3, 2.5, 5. ],       [6.5, 3. , 5.2],       [6.2, 3.4, 5.4],       [5.9, 3. , 5.1]])复制代码基于树模型的特征选择法树模型中GBDT也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
from sklearn.feature_selection import SelectFromModelfrom sklearn.ensemble import GradientBoostingClassifier #GBDT作为基模型的特征选择SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data, iris.target)复制代码array([[1.4, 0.2],       [1.4, 0.2],       [1.3, 0.2],       [1.5, 0.2],       [1.4, 0.2],       [1.7, 0.4],       [1.4, 0.3],       [1.5, 0.2],       [1.4, 0.2],       [1.5, 0.1],       [1.5, 0.2],       [1.6, 0.2],       [1.4, 0.1],       [1.1, 0.1],       [1.2, 0.2],       [1.5, 0.4],       [1.3, 0.4],       [1.4, 0.3],       [1.7, 0.3],       [1.5, 0.3],       [1.7, 0.2],       [1.5, 0.4],       [1. , 0.2],       [1.7, 0.5],       [1.9, 0.2],       [1.6, 0.2],       [1.6, 0.4],       [1.5, 0.2],       [1.4, 0.2],       [1.6, 0.2],       [1.6, 0.2],       [1.5, 0.4],       [1.5, 0.1],       [1.4, 0.2],       [1.5, 0.1],       [1.2, 0.2],       [1.3, 0.2],       [1.5, 0.1],       [1.3, 0.2],       [1.5, 0.2],       [1.3, 0.3],       [1.3, 0.3],       [1.3, 0.2],       [1.6, 0.6],       [1.9, 0.4],       [1.4, 0.3],       [1.6, 0.2],       [1.4, 0.2],       [1.5, 0.2],       [1.4, 0.2],       [4.7, 1.4],       [4.5, 1.5],       [4.9, 1.5],       [4. , 1.3],       [4.6, 1.5],       [4.5, 1.3],       [4.7, 1.6],       [3.3, 1. ],       [4.6, 1.3],       [3.9, 1.4],       [3.5, 1. ],       [4.2, 1.5],       [4. , 1. ],       [4.7, 1.4],       [3.6, 1.3],       [4.4, 1.4],       [4.5, 1.5],       [4.1, 1. ],       [4.5, 1.5],       [3.9, 1.1],       [4.8, 1.8],       [4. , 1.3],       [4.9, 1.5],       [4.7, 1.2],       [4.3, 1.3],       [4.4, 1.4],       [4.8, 1.4],       [5. , 1.7],       [4.5, 1.5],       [3.5, 1. ],       [3.8, 1.1],       [3.7, 1. ],       [3.9, 1.2],       [5.1, 1.6],       [4.5, 1.5],       [4.5, 1.6],       [4.7, 1.5],       [4.4, 1.3],       [4.1, 1.3],       [4. , 1.3],       [4.4, 1.2],       [4.6, 1.4],       [4. , 1.2],       [3.3, 1. ],       [4.2, 1.3],       [4.2, 1.2],       [4.2, 1.3],       [4.3, 1.3],       [3. , 1.1],       [4.1, 1.3],       [6. , 2.5],       [5.1, 1.9],       [5.9, 2.1],       [5.6, 1.8],       [5.8, 2.2],       [6.6, 2.1],       [4.5, 1.7],       [6.3, 1.8],       [5.8, 1.8],       [6.1, 2.5],       [5.1, 2. ],       [5.3, 1.9],       [5.5, 2.1],       [5. , 2. ],       [5.1, 2.4],       [5.3, 2.3],       [5.5, 1.8],       [6.7, 2.2],       [6.9, 2.3],       [5. , 1.5],       [5.7, 2.3],       [4.9, 2. ],       [6.7, 2. ],       [4.9, 1.8],       [5.7, 2.1],       [6. , 1.8],       [4.8, 1.8],       [4.9, 1.8],       [5.6, 2.1],       [5.8, 1.6],       [6.1, 1.9],       [6.4, 2. ],       [5.6, 2.2],       [5.1, 1.5],       [5.6, 1.4],       [6.1, 2.3],       [5.6, 2.4],       [5.5, 1.8],       [4.8, 1.8],       [5.4, 2.1],       [5.6, 2.4],       [5.1, 2.3],       [5.1, 1.9],       [5.9, 2.3],       [5.7, 2.5],       [5.2, 2.3],       [5. , 1.9],       [5.2, 2. ],       [5.4, 2.3],       [5.1, 1.8]])复制代码上述就是关于特征工程的相关说明，至于特征监控相关的内容，目前还没了解过，等后面学习了再进行补充。
再进行完特征工程后，下一步需要做的就是模型选择与调优，下篇文章将主要学习整理这方面的知识
参考文章：
1.https://blog.csdn.net/rosenor1/article/details/52278562
2.http://www.cnblogs.com/jasonfreak/p/5448385.html


作者：完美_并不美
链接：https://juejin.im/post/5b569edff265da0f7b2f6c65

奈斯，很赞