【Python】特征工程：數(shù)值特征的縮放與編碼

數(shù)值特征是結(jié)構(gòu)化競賽中重要的特征，也是需要處理的特征。一般而言數(shù)值特征的操作，包括如下幾個方面：

• 離群點處理
• 缺失值填充
• 縮放處理
• 編碼處理

缺失值填充

如果使用非樹模型，則需要考慮對數(shù)值特征進行填充。缺失值填充的基礎(chǔ)方法包括：

1. 使用統(tǒng)計值填充（均值/中位數(shù)/常數(shù)）
2. 最近鄰樣本填充（行維度）
3. 基于模型的填充

縮放處理

數(shù)值特征在歸一化后直接加到深度模型中，直接對原始特征做歸一化，或者通過BN層來做歸一化。

RankGuass

將數(shù)值進行排序，然后將轉(zhuǎn)換到[-1, 1]范圍內(nèi)，然后使用逆誤差函數(shù)進行轉(zhuǎn)換。

詳細案例見：https://zhuanlan.zhihu.com/p/330333894

標(biāo)準(zhǔn)化

最大最小縮放

最大絕對值縮放

魯邦縮放

計算數(shù)值具體的分位點Q1和Q3，

對數(shù)轉(zhuǎn)換

分位點轉(zhuǎn)換

計算數(shù)值分布的分位點，將分布轉(zhuǎn)為均勻分布或正態(tài)分布。

冪變換

將數(shù)值轉(zhuǎn)換為更加偏向正態(tài)分布的形態(tài)

• Box-Cox 變換
• Yeo-Johnson 變換

編碼處理

原始特征

用原始的數(shù)值作為特征，或者在數(shù)值上面做一些計算。

二值化/分箱處理

對數(shù)值按照大小進行劃分，可以直接使用pd.cut實現(xiàn)。

Rank值

統(tǒng)計數(shù)值具體大小次序。

離散嵌入

利用分點可以將數(shù)值進行離散化，然后作為ID類特征加到模型中，正常參與模型訓(xùn)練。離散化有兩個好處：一是引入非線性，二是可以過濾一些異常值。

域嵌入

將一個域內(nèi)的數(shù)值型特征共享一個field embedding，可以理解為使用一個向量來轉(zhuǎn)換。

樹編碼

通過樹模型節(jié)點的劃分對不同特征值劃分到不同的節(jié)點，從而對其進行離散化。