¿Por qué generar características?

Ingeniería de características para Machine Learning en Python

Robert O'Callaghan

Director of Data Science, Ordergroove

Ingeniería de características

Ingeniería de características para Machine Learning en Python

Tipos de datos

  • Continuas: enteros (números naturales) o floats (decimales)
  • Categóricas: uno de un conjunto limitado, p. ej., género, país de nacimiento
  • Ordinales: valores con orden, a menudo sin distancia definida entre ellos
  • Booleanas: valores True/False
  • Fecha y hora: fechas y horas
Ingeniería de características para Machine Learning en Python

Estructura del curso

  • Capítulo 1: Creación y extracción de características

  • Capítulo 2: Ingeniería con datos desordenados

  • Capítulo 3: Normalización de características

  • Capítulo 4: Trabajo con características de texto

Ingeniería de características para Machine Learning en Python

pandas

import pandas as pd  
df = pd.read_csv(path_to_csv_file)
print(df.head())
Ingeniería de características para Machine Learning en Python

Conjunto de datos

              SurveyDate  \
0    2018-02-28 20:20:00     
1    2018-06-28 13:26:00     
2    2018-06-06 03:37:00     
3    2018-05-09 01:06:00     
4    2018-04-12 22:41:00    

                              FormalEducation
0    Bachelor's degree (BA. BS. B.Eng.. etc.)
1    Bachelor's degree (BA. BS. B.Eng.. etc.)
2    Bachelor's degree (BA. BS. B.Eng.. etc.)
3    Some college/university study  ...
4    Bachelor's degree (BA. BS. B.Eng.. etc.)
Ingeniería de características para Machine Learning en Python

Nombres de columnas

print(df.columns)

Index(['SurveyDate', 'FormalEducation',
       'ConvertedSalary', 'Hobby', 'Country',
       'StackOverflowJobsRecommend', 'VersionControl', 
       'Age', 'Years Experience', 'Gender', 
       'RawSalary'], dtype='object')
Ingeniería de características para Machine Learning en Python

Tipos de columna

print(df.dtypes)

SurveyDate                            object
FormalEducation                       object
ConvertedSalary                      float64
...
Years Experience                       int64
Gender                                object
RawSalary                             object
dtype: object
Ingeniería de características para Machine Learning en Python

Seleccionar tipos de datos específicos

only_ints = df.select_dtypes(include=['int'])
print(only_ints.columns)

Index(['Age', 'Years Experience'], dtype='object')
Ingeniería de características para Machine Learning en Python

¡Manos a la obra!

Ingeniería de características para Machine Learning en Python

Preparing Video For Download...