数据挖掘（三）特征构造

前言

基于国防科技大学 丁兆云老师的《数据挖掘》课程
数据挖掘
数据挖掘（一）数据类型与统计
数据挖掘（二）数据预处理

3、特征构造

3.1 基本特征构造方法：

3.1.1 运用已有知识直接构造：

一般是根据原有特征挖掘新的更有用的特征，比如给出了质量和体积，则可以构造出密度特征

3.1.2 其它常见技巧：

常见构造特征技巧及运用场景：

3.1.3 时间类型数据特征构造：

时间特征（Time-Based Features）：
如果数据中包含时间信息，可以从中提取各种时间特征，如年、月、日、季节、工作日、周末等。这些时间特征可以帮助模型捕捉到时间的周期性和趋势性，对于时间序列数据或具有时间相关性的数据集特别有用。

例：

3.2 离散数据进行哑编码：

哑编码（Dummy Encoding）和独热编码（One-Hot Encoding）是常用的特征编码方法，用于将分类变量转换为数值表示。它们在不同的情况下有不同的适用性，选择哪种编码方法取决于数据的特点和机器学习算法的需求。

1. 哑编码（Dummy Encoding）：
   哑编码是一种将分类变量转换为二进制（0和1）表示的编码方法。对于具有k个类别的分类变量，哑编码会创建k-1个二进制特征（或称为哑变量），并用0和1表示类别的存在与否。其中，k-1个特征中的每一个对应于一个类别，而最后一个类别作为参考类别，不需要单独编码。哑编码的主要优点是编码后的特征具有较低的维度，适用于线性模型和一些需要较少特征的机器学习算法。
2. 独热编码（One-Hot Encoding）：
   独热编码是一种将分类变量转换为二进制向量表示的编码方法。对于具有k个类别的分类变量，独热编码会创建k个二进制特征，每个特征对应一个类别，并且只有一个特征的值为1，其余特征的值为0。独热编码的优点是它能够保留所有类别之间的相互独立性，适用于大多数机器学习算法，特别是需要考虑类别之间距离或关系的算法，如决策树、支持向量机等。

import pandas as pd

# 创建包含分类变量的数据集
data = pd.DataFrame({'颜色': ['红', '蓝', '绿', '红', '绿']})

# 哑编码
dummy_encoded = pd.get_dummies(data['颜色'], prefix='颜色')
print(dummy_encoded)

# 独热编码
one_hot_encoded = pd.get_dummies(data['颜色'], prefix='颜色', drop_first=True)
print(one_hot_encoded)

颜色_红  颜色_蓝  颜色_绿
0      1      0      0
1      0      1      0
2      0      0      1
3      1      0      0
4      0      0      1

   颜色_蓝  颜色_绿
0      0      0
1      1      0
2      0      1
3      0      0
4      0      1

例题：

1.类别无序：

采用哑编码或者onehot编码

2.类别有序：

直接映射到[0,m]