Engenharia de atributos

Prevendo CTR com Machine Learning em Python

Kevin Huo

Instructor

Trabalhando com datas

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

Convertendo categorias com hashing

Variáveis categóricas devem virar numéricas
Função de hash: mapeia entrada qualquer para um inteiro e sempre retorna o mesmo valor para a mesma entrada
Função lambda: lambda x: f(x)
Aplique hash via f(x) = hash(x) assim:

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

83a0ad1a -> -9161053084583616050
85f751fd-> 818242008494177460

Analisando melhor as features

Exemplos de count() e nunique():

df['ad_type'].count()

df['ad_type'].nunique()

Exemplo de distribuição de uma coluna categórica

Criando features

A maioria das variáveis é categórica
Mais features costuma melhorar a predição
Exemplo de nova feature: impressões por device_id (usuário) e 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 praticar!

Prevendo CTR com Machine Learning em Python