特征工程之数据预处理

例如，性别中的’男‘和’女‘，处理时可以将其分别转换为数字1和0
python中主要包括get_dummies哑变量处理，LabelEncoding处理以及replace()替换

import pandas as pd
df = pd.Dataframe({'客户编号':[1,2,3],'性别':['男','女','男']})
df1 = pd.get_dummies(df,columns=['性别'])
df1 = df1.drop(columns='性别_女')#‘性别_男’和‘性别_女’这两列存在多重共线性，删除‘性别_女’这一列
df2 = df1.rename(columns={'性别_男':'性别'})#更改列名

经过get_dummies处理后得到的df1

import pandas as pd
df = pd.Dataframe({'房屋编号':[1,2,3,4,5],'朝向':['东','南','西','北','南']})
df1 = pd.get_dummies(df,columns=['朝向'])
df2 = df1.drop(columns='朝向_西')#可根据3列朝向的数字就能判断第4个朝向的数字，存在多重共线性，可删除其中一列，例如'朝向_西'

经过get_dummies处理后得到的df1：

import pandas as pd
from sklearn.preprocessing import LabelEncoder
df = pd.Dataframe({'编号':[1,2,3,4,5],'城市':['北京','上海','广州','深圳','北京']})
le = LabelEncoder()
label = le.fit_transform(df['城市'])
df['城市'] = label

经过LabelEncoding处理后得到的df：

df = pd.Dataframe({'编号':[1,2,3,4,5],'城市':['北京','上海','广州','深圳','北京']})
df['城市'].value_counts()
df['城市'] = df['城市'].replace({'北京':0,'上海':1,'广州':2,'深圳':3})

经过replace()处理后得到的df：

data = pd.Dataframe([[1,2,3],[1,2,3],[4,5,6]],columns=['c1','c2','c3'])
data[data.duplicated()]#筛选出重复行
data.duplicated().sum()#统计重复行的数量
data = data.drop_duplicates()#删除重复行

import numpy as np
data = pd.Dataframe([[1,np.nan,3],[np.nan,2,np.nan],[1,np.nan,0]],columns=['c1','c2','c3'])
data.isnull()#查看空值，也可以使用data.isna()
a = data.dropna()#只要含有空值的行都会被删除
aa = data.dropna(thresh=2)#一行的非空值少于2个则删除该行
b = data.fillna(data.mean())#每列的空值都会被该列的均值填充
c = data.fillna(method='pad')#空值上方的值填充，上方为空或不存在，则不替换
cc = data.fillna(method='backfill')#也可使用method='bfill'，空值下方的值填充，下方为空或不存在，则不替换

删除异常值
将异常值视为缺失值

import pandas as pd
from sklearn.preprocessing import MinMaxScaler
x = pd.Dataframe({'酒精含量（%）':[50,60,40,80,100],'苹果酸含量（%）':[2,1,1,3,2]})
y = [0,0,0,1,1]
x_new = MinMaxScaler().fit_transform(x)

from sklearn.preprocessing import StandardScaler
x_new = StandardScaler().fit_transform(x)

data = pd.Dataframe([[22,1],[25,1],[20,0],[35,0],[32,1],[38,0],[50,0],[46,1]],columns=['年龄','是否违约'])
data_cut = pd.cut(data['年龄'],3)#对年龄这一列 分成3箱操作
data['年龄'].groupby(data_cut).count()#获取每个分箱中的样本数

#构造数据
data = pd.Dataframe([[22,1],[25,1],[20,0],[35,0],[32,1],[38,0],[50,0],[46,1]],columns=['年龄','是否违约'])
data_cut = pd.cut(data['年龄'],3)#对年龄这一列 分成3箱操作
#数据分箱
data['年龄'].groupby(data_cut).count()#获取每个分箱中的样本数
#统计各个分箱的总样本数，坏样本数和好样本数
cut_group_all = data['是否违约'].groupby(data_cut).count()#统计总客户数
cut_y = data['是否违约'].groupby(data_cut).sum()#统计违约客户数
cut_n = cut_group_all - cut_y#统计未违约客户数

df = pd.Dataframe()
df['总数'] = cut_group_all
df['坏样本'] = cut_y
df['好样本'] = cut_n

df['坏样本%'] =df['坏样本'] / df['坏样本'].sum()
df['好样本%'] =df['好样本'] / df['好样本'].sum()

#计算WOE值
import numpy as np
df['WOE'] = np.log(df['坏样本%'] / df['好样本%'])  
df = df.replace({'woe': {np.inf:0,-np.inf:0}})#替换可能存在的无穷大
#计算各个分箱的IV值
df['IV'] = df['WOE']*(df['坏样本%'] - df['好样本%'])  

#分类汇总各个分箱的IV值，获得特征变量的IV值
iv = df['IV'].

通过计算各个特征变量的IV值，可以根据其值的高低排序，即可以筛选出需要的特征变量：