Kaggle搭积木式刷分大法：特征工程部分

專 欄

❈本文作者：王勇，目前感兴趣项目商业分析、Python、机器学习、Kaggle。17年项目管理，通信业干了11年项目经理管合同交付，制造业干了6年项目管理：PMO,变革，生产转移，清算和资产处理。MBA, PMI-PBA, PMP。❈

这两天在忙着刷Kaggle梅塞德斯奔驰生产线测试案例，刚刚有了些思路，还是用管道方法达了个积木。这才有空开始写第二篇文章。（吐个槽，Kaggle上面的很多比赛，比的是财力。服务器内存不行，或者计算速度不够就是浪费时间。）

上回说道，用搭乐高积木的方式就可以多快好省的刷Kaggle分。整个过程可以分成两个部分，一是特征工程，二是管道调参。

今天这篇文章，主要分享和讨论的是特征工程这部分。 主要使用的是Pandas 的表级别函数Pipe 。

这个Pipe就像是乐高小火车。有火车头，火车身，火车厢。根据需要连接起来就是一辆漂亮的小火车。有什么功能，有多少功能，全看各种组合的方式。

首先，火车头：

在Kaggle 比赛中，有原始数据，train, 和test 部分。 把这两部分合并在一起。作为火车头的输入。以House Price 为例：

火车头有了，要搞清楚火车往哪里开？

在House Price 比赛中，对应为目标是什么？方向盘是什么? 终点到了后送什么货？

目标是 预测Test 数据集中的SalePrice (房屋销售价）

方向盘（或者说衡量标准）是 Root-Mean-Squared-Error (RMSE) 均方根误差

到站后，要将货物送出。一个文件，两列，一列是ID, 另一列是机器学习后预测出来的房屋销售价。 RMSE值越小，则越好。

这个比赛要在Kaggle拿到好名次，需要方向盘对准，要把RMSE值将下来，降低预测的均方根误差。

注：比赛方也特别注明了会用log转换消除太贵或太便宜导致的误差)

下面来看看目标的分布情况（预测房屋售价的变量分布图）

如果是老司机的话，基本上可以看出来如下几个特点：

1、基本上是正态分布（如果不是，就可以洗洗睡了，或者要重新让数据变成正态分布） 2、长尾， 尤其是右边(不是完美的正态， 看起来有清洗工作要做） 3、可能存在Outliers(异常点），特别是60万以上的房价（能处理就处理，不能就粗暴的说，我没看见。 哈哈） 4、用KDEPlot其时间能看见多个核。（在梅塞德斯奔驰比赛中，有人用聚类方法提炼出特征，也可以提高比分0.0X。由于提前引入了预测功能， 不太符合我简约的观点。 所以我的这个分享中没有专门涉及。）

接下来，火车身：

如果说combined Dataframe是火车头的输出，那么Pandas Pipe就是火车身的输入。 火车身好长，可以放很多车厢。 一节连着一节。每一节的输出是上一节的输入，直到最后。

Pandas Pipe可以作为火车身，每一个函数可以向乐高积木一样，插在一个pipe 里面。

Pipe是Pandas 里面一个Tablewise的函数(v16.2的新功能原厂说明链接）。

比较一下，下面两种方法，哪种更加简洁和易于理解？

函数方法

Pipe大法

尽管看起来很简洁，不过非常不起眼，貌似也没apply, map, group等明星函数受到重视。其实原厂还有一个例子,pipe就是用来做statsmodel回归特征工程的前期清洗。不过当时，我没有特别留意。 直到，Kaggle 比赛的House Price，出现瓶颈。

• local CV及pulic board成绩不稳定上升。 我刷Kaggle 出现了成绩上上下下，结果非常不稳定时。我想Pipe 把各种功能放在一起，会不会好一些？
• 调参太费时间（每次以小时计算，并且特征工程结果稍微有些改变，优化好的参数又要重新再调一遍），貌似特征工程差之毫厘，调参的参数和性能，预测的结果也会谬之千里。

-繁杂的程序，导致内存经常用光。基本上用上一会儿，就要重新启动Jupyter 的 Kernel来回收内存。 （尤其是我租的阿里云服务器只有1核1G内存+2G虚拟内存。用硬盘虚拟内存。物理内存用完后， 一个简单的回归算法也能算上几分钟时间）

这是，Pandas pipe（原厂说明链接） 重新回到了我的视野。

pipe、pipe、pipe，重要的事情说三遍。

比较早的时候，我学会了用Sklearn的pipeline和Gridsearch 一起调参,调函数，那个功能之强大是谁用谁知道。

只要备选参数设好，备选算法设好，就交给计算就可以。所以特别喜欢pipe这类自动化的东西。 可以把苦脏累的活一下子变成高大上的，可以偷懒的活。训练虽然花时间，还是有pipeline的套路可以使用。

不过在发现和利用Pandas 的pipe之前，特征工程简直就是苦脏累的活。例如：

• 大量的特征需要琢磨，

尤其是House Price 这个案例，一共有80个特征，1个目标（售价）。 为了搞明白美国的房价到底和那些有关，我还特别读了好几篇美国的房价深度分析报告。然并卵，这些特征还会互相影响。

• 绝大多数的特征都不知道琢磨后是否有价值，（单变量回归）

例如，房子外立面材料，房间的电器开关用的什么标准，多少安培等等等，Frontage大小，宗土图形状等等， 贷款是否还清了，

• 更不知道和其他特征配合后结果会如何。（多元变量回归）

街区，成交的月份，年份（中间还有07，08年经济危机），房屋大小，宗土面积互相关关联。

• 是不是有聚类的情况（非监管内机器学习方法）

前两天刚学了一个知识，用Ｋｍｅａｎｓ方法可以挖掘出来新的特征。这种特征方法不是基于经验和知识，而仅仅是依赖于机器学习。　

插句话，特征工程，尤其本文后面附录的的特征工程函数，大量依赖于个人的经验和知识水平，老司机和新司机的特征工程结果会差别很大。　基于机器学习的特征工程，应该是未来的一个趋势。前两个月在网上看到以为百度前搜索广告推广工程师发的文章。讲的就是百度在２０１０年前后的变化，之前还是比较依赖于人工的特征工程。后来特征工程太多，人工完全无法适应，他用类似的Ｋｍｅａｎｓ方法作了聚类方法的特征工程（希望我没记错）。

上面说了４中特征工程的苦脏累。　我在Ｈｏｕｓｅ　Ｐｒｉｃｅ　比赛中全都碰到了。　前期还有点兴趣，后期简直是乏味。　在加上我的机器学习环境只有　１核１Ｇ内存的Ｃｅｎｔｏｓ阿里云主机。经常调试就内存用光来，或者变成用硬盘虚拟内存，慢的无法忍受。

Pandas pipe来了， 简单，有效。 可以有效地隔离，有效地连接，并且可以批量产生大量特征工程结果组合。

上面唠叨了许多Pipe的文字观点，也许读者已经有点烦了，下面再上两张积木的照片，来图示比较积木和pipe的关系。

Pipe 就像乐高小火车积木中的车身，本身没有任何功能，但是有很好的输入、输出机制

车身搭上一个积木，小火车好玩。Pipe也要装入特征工程函数，才有用

两个或者更多车身积木连在一起，就变成长长的火车身。两个或者多个pipe(装入特征函数）就变成了特征工程管道

接下来，我们来看看，这个积木方法是否能够解决特征工程中4个问题？

• 大量的特征需要琢磨，

一个特征就来一个pipe。pipe里面放对应的特征函数。多个特征就用多个pipe.

虽然大量的特征依然需要逐一琢磨。但是pipe可能带入项目管理中ＷＢＳ工作分解的思路。把多个特征分解给不同的人（不同领域有不同的专家）来做，最后用pipe链接起来。

• 绝大多数的特征都不知道琢磨后是否有价值，（单变量分析）

pipe分解了特征工作后，每一个具体的特征函数，可以深入的使用本领域的方法来设ｋｐｉ和指标，在函数级别确定是否有价值，或者设定处理的量纲，过滤级别等等。

• 更不知道和其他特征配合后结果会如何。（多元变量回归）

pipe的强处就在这里。搭积木呀，简单的各种ｐｉｐｅ连在一起就好。甚至还可以专门做一个测试成绩的pipe．在pipes的结尾放一个快速测试函数（例如：测试R2）就可以方便快速的得到这次特征工程大致效果。

注：

回归类比赛，成绩通常是两种：R2　或者是　MSE以及其变种（RMSE，AMSE等）

分类内比赛，成绩类型比较多：ACCURACY，PRECISE，F1，MUTUAL等等。

SKLEARN的成绩评估函数介绍　－比较详细

• 是不是有聚类的情况（非监管内机器学习方法）

简单，做一个聚类的特征函数，然后用一个pipe装起来就好。

下面，开始无聊的代码时间吧！

机器环境：

硬件- 阿里云最便宜一款 -1核 1GB（共享基本型 xn4，ecs.xn4.small）(

系统 , Centos 7（虚拟内存2G)

Python: 3.6, Jupyter notebook 4.3， 用Anaconda装好了常见的科学计算库。

手工装了：XGBoost（kaggle刷分利器之一） , lightbm 库（微软开源，速度比XGBoost快）。有两上面这两个库，sklearn 里面的gradientboost就没有必要用了，太慢了，score也不如这两个库好。

１、导入函数和Pandas库

２、导入数据，准备combined数据集。做好火车头

train data shape: (1460, 81) test data shape: (1459, 80) combined data shape: (2919, 81)

数据集：train 1460个，test,1459个，特征为80个，另外一个是需要预测的目标(SalePrice)

3、Exploring Data analysis 数据探索分析

3.1 要事第一，先看看目标数据情况(Y -SalePrice)

文章开头已经介绍过了，销售价格是正态分布，但是长尾(high skews)且有离散点（outliers)

3.2 特征分析 (X), 80个，每列代表了一个特征 3.2.1 偏度分析 - 销售价格由偏度角度，那么就先对特征检查一下偏度。

看起来蛮厉害，前面20个特征偏度都超过了1.36。后期需要处理

3.2.2 缺失值分析

有35个数据都有缺失值情况。 大多数机器学习算法要求不可以有缺失值。 因此，处理缺失值是 必要工作之一。

总结：初步EDA了解到：

1.有偏度 - 需要处理。通常是用log1p （提分关键）

2.有缺失 - 需要填充或者删除，通常用均值或者中指，或者用人工分析（人工分析是提分关键）

3.有类别变量 - 需要转换成数值 （个人感觉刷近前２０％关键）

（此处没有做EDA, 直接看data_description.txt文件）

４、准备pipe,装载特征函数，小火车出发啦！！！

为了演示，我定义三个pipes, 每个pipes里面都有若干个特征处理函数和一个快速测试R2（越高越好，最大值是1）的函数。实际刷分时更多，加上不同的特征函数参数，做的pipes组合大概至少几十种。

为了对齐美观，用bypass函数来填充空白的地方。用一个列表，将这三个pipe放入。

现在三辆火车准备出发，都在车站等候待命。 他们分别是简单型，自定义型（部分特征转换成有序的category类型），和概念型（提炼并新增加房屋每平米单价系数）。

好了，小火车启动了，发车。

精简的结果如下：

三个pipes的r2（默认参数，无优化调参）结果分别是

0.729, （填充均值）

0.7390,（自定义填充，和类型转换）

0.7910（增加单价的特征工程）

那么在这一步，我们可以初步看到三个特征工程的性能。并且文件已经输出到hd5格式文件。后期在训练和预测时，直接取出预处理的文件就可以。

好了，特征工程到这里就完成了。这三个小火车PIPES的R2结果不是最好，只能说尚可。都保留下来。可以进入训练，优化，调参，集成的阶段了。本文也就写完了。