【原】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

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
dtype: int64
-------------------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())