特征工程

用 Python 预测 CTR 的机器学习实战

Kevin Huo

Instructor

处理日期

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

用哈希转换类别变量

类别型特征需转换为数值格式
哈希函数：将任意输入映射为整数，对同一输入返回完全相同的输出
Lambda 函数：lambda x: f(x)
通过 f(x) = hash(x) 应用哈希函数：

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

83a0ad1a -> -9161053084583616050
85f751fd-> 818242008494177460

深入了解特征

count() 与 nunique() 示例：

df['ad_type'].count()

df['ad_type'].nunique()

类别列分布示例

构建特征

多数变量为类别型
增加特征通常提升预测能力
新特征示例：按 device_id（用户）与 search_engine_type 的曝光量：

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

开始练习！

用 Python 预测 CTR 的机器学习实战