Ingeniería de características

Predicción del CTR con Machine Learning en Python

Kevin Huo

Instructor

Trabajar con fechas

print(df.hour.head(1))

14102101

df['hour'] = pd.to_datetime(
  df['hour'], format = '%y%m%d%H')
df['hour_of_day'] = df['hour'].dt.hour
print(df.hour.head(1))

2014-10-21 01:00:0

print(df.groupby('hour_of_day')
      ['click'].sum())

             click
hour_of_day       
1             1092
2             6546

Convertir categóricas con hashing

Las variables categóricas deben convertirse a formato numérico
Función hash: mapea una entrada cualquiera a un entero y devuelve siempre el mismo para la misma entrada
Función lambda: lambda x: f(x)
Aplica hash con f(x) = hash(x) así:

df['site_id'] = df['site_id'].apply(lambda x: hash(x))

83a0ad1a -> -9161053084583616050
85f751fd-> 818242008494177460

Analizar las características

Ejemplos de count() y nunique():

df['ad_type'].count()

df['ad_type'].nunique()

Ejemplo de distribución de una columna categórica

Crear características

La mayoría de variables son categóricas
Más características suele mejorar la predicción
Ejemplo de nueva característica: impresiones por device_id (usuario) y search_engine_type:

df['device_id_count'] = df.groupby('device_id')['click'].transform("count")
df['search_engine_type_count'] = df.groupby('search_engine_type')['click'].transform("count")
print(df.head(1))

...  device_id_count  search_engine_type_count
...            40862                     47710

¡Vamos a practicar!

Predicción del CTR con Machine Learning en Python