隨著我們在機器學習、數據建模、數據挖掘分析這條發展路上越走越遠，其實越會感覺到特征工程的重要性，平時我們在很多地方都會看到一些很好的特征工程技巧，但是都會是一個完整項目去閱讀，雖然說這樣子也可以學習挖掘思路，但有的時候濃縮的技巧總結也是十分重要！

GitHub上有一個專門針對特征工程技巧的“錦囊”，叫做《Tips-of-Feature-engineering》，作者把網路上、書本上的一些特征工程的項目，抽取其中的挖掘技巧，并把這些小技巧打包成一個又一個的小錦囊，供大家去檢索并且學習，還蠻不錯的！

項目地址為：

https://github.com/Pysamlam/Tips-of-Feature-engineering

大家可以先看看目前更新到的內容明細：

項目目前更新到19節，一般來說是每天一更新，每一節都會有配套的數據集以及代碼，下面我們拿幾個“錦囊”來看一下！

Tip8：怎么把幾個圖表一起在同一張圖上顯示？

這里是使用泰坦尼克號的數據集，前期我們做EDA的時候需要探查數據的分布，從而發現其中的規律，這一節的技巧就是教我們如何畫一些常見的圖形，同時顯示在同一張圖上。

關鍵代碼

import matplotlib.pyplot as plt# 設置figure_size尺寸 plt.rcParams['figure.figsize'] = (8.0, 6.0)fig = plt.figure()# 設定圖表顏色 fig.set(alpha=0.2)# 第一張小圖 plt.subplot2grid((2,3),(0,0)) data_train['Survived'].value_counts().plot(kind='bar') plt.ylabel(u"人數") plt.title(u"船員獲救情況 (1為獲救)")# 第二張小圖 plt.subplot2grid((2,3),(0,1)) data_train['Pclass'].value_counts().plot(kind="bar") plt.ylabel(u"人數") plt.title(u"乘客等級分布")# 第三張小圖 plt.subplot2grid((2,3),(0,2)) plt.scatter(data_train['Survived'], data_train['Age']) plt.ylabel(u"年齡") plt.grid(b=True, which='major', axis='y') plt.title(u"按年齡看獲救分布 (1為獲救)")# 第四張小圖，分布圖 plt.subplot2grid((2,3),(1,0), colspan=2) data_train.Age[data_train.Pclass == 1].plot(kind='kde') data_train.Age[data_train.Pclass == 2].plot(kind='kde') data_train.Age[data_train.Pclass == 3].plot(kind='kde') plt.xlabel(u"年齡") plt.ylabel(u"密度") plt.title(u"各等級的乘客年齡分布") plt.legend((u'頭等艙', u'2等艙',u'3等艙'),loc='best')# 第五張小圖 plt.subplot2grid((2,3),(1,2)) data_train.Embarked.value_counts().plot(kind='bar') plt.title(u"各登船口岸上船人數") plt.ylabel(u"人數") plt.show()

我們從上面的可視化操作結果可以看出，其實可以看出一些規律，比如說生還的幾率比死亡的要大，然后獲救的人在年齡上區別不大，然后就是有錢人（坐頭等艙的）的年齡會偏大等。

Tip15：如何使用sklearn的多項式來衍生更多的變量？

關于這種衍生變量的方式，理論其實大家應該很早也都聽說過了，但是如何在Python里實現，也就是今天在這里分享給大家，其實也很簡單，就是調用sklearn的PolynomialFeatures方法，具體大家可以看看下面的demo。

這里使用一個人體加速度數據集，也就是記錄一個人在做不同動作時候，在不同方向上的加速度，分別有3個方向，命名為x、y、z。

關鍵代碼

# 擴展數值特征 from sklearn.preprocessing import PolynomialFeaturesx = df[['x','y','z']] y = df['activity']poly = PolynomialFeatures(degree=2, include_bias=False, interaction_only=False)x_poly = poly.fit_transform(x) pd.DataFrame(x_poly, columns=poly.get_feature_names()).head()

就這樣子簡單的去調用，就可以生成了很多的新變量了。

Tip17：如何把分布修正為類正態分布？

今天我們用的是一個新的數據集，也是在kaggle上的一個比賽，大家可以先去下載一下：

下載地址：

https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data

import pandas as pd import numpy as np # Plots import seaborn as sns import matplotlib.pyplot as plt# 讀取數據集 train = pd.read_csv('./data/house-prices-advanced-regression-techniques/train.csv') train.head()

首先這個是一個價格預測的題目，在開始前我們需要看看分布情況，可以調用以下的方法來進行繪制：

sns.set_style("white") sns.set_color_codes(palette='deep') f, ax = plt.subplots(figsize=(8, 7)) #Check the new distribution sns.distplot(train['SalePrice'], color="b"); ax.xaxis.grid(False) ax.set(ylabel="Frequency") ax.set(xlabel="SalePrice") ax.set(title="SalePrice distribution") sns.despine(trim=True, left=True) plt.show()

我們從結果可以看出，銷售價格是右偏，而大多數機器學習模型都不能很好地處理非正態分布數據，所以我們可以應用log(1+x)轉換來進行修正。那么具體我們可以怎么用Python代碼實現呢？

# log(1+x) 轉換 train["SalePrice_log"] = np.log1p(train["SalePrice"])sns.set_style("white") sns.set_color_codes(palette='deep') f, ax = plt.subplots(figsize=(8, 7))sns.distplot(train['SalePrice_log'] , fit=norm, color="b");# 得到正態分布的參數 (mu, sigma) = norm.fit(train['SalePrice_log'])plt.legend(['Normal dist. ($\mu=$ {:.2f} and $\sigma=$ {:.2f} )'.format(mu, sigma)],loc='best') ax.xaxis.grid(False) ax.set(ylabel="Frequency") ax.set(xlabel="SalePrice") ax.set(title="SalePrice distribution") sns.despine(trim=True, left=True)plt.show()

目前這個項目更新到了19節，但是會持續不斷更新“錦囊”，歡迎大家來進行star哦！

項目地址為：

https://github.com/Pysamlam/Tips-of-Feature-engineering

備注：公眾號菜單包含了整理了一本AI小抄，非常適合在通勤路上用學習。

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習在線手冊深度學習在線手冊AI基礎下載（第一部分）備注：加入本站微信群或者qq群，請回復“加群”獲取一折本站知識星球優惠券，請回復“知識星球”

喜歡文章，點個在看

總結

以上是生活随笔為你收集整理的强烈推荐！分享一个持续连载的《特征工程小锦囊》项目，代码已开源！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。