De ce să generăm caracteristici?

Ingineria caracteristicilor pentru Machine Learning în Python

Robert O'Callaghan

Director of Data Science, Ordergroove

Ingineria caracteristicilor

Ingineria caracteristicilor pentru Machine Learning în Python

Tipuri de date

  • Continue: numere întregi sau zecimale (floats)
  • Categoriale: valori dintr-un set limitat, ex. gen, țară de naștere
  • Ordinale: valori ierarhizate, adesea fără distanță precisă între ele
  • Booleene: valori Adevărat/Fals
  • Datetime: date și ore
Ingineria caracteristicilor pentru Machine Learning în Python

Structura cursului

  • Capitolul 1: Crearea și extragerea caracteristicilor

  • Capitolul 2: Procesarea datelor dezordonate

  • Capitolul 3: Normalizarea caracteristicilor

  • Capitolul 4: Lucrul cu caracteristici text

Ingineria caracteristicilor pentru Machine Learning în Python

Pandas

import pandas as pd  
df = pd.read_csv(path_to_csv_file)
print(df.head())
Ingineria caracteristicilor pentru Machine Learning în Python

Setul de date

              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.)
Ingineria caracteristicilor pentru Machine Learning în Python

Numele coloanelor

print(df.columns)

Index(['SurveyDate', 'FormalEducation',
       'ConvertedSalary', 'Hobby', 'Country',
       'StackOverflowJobsRecommend', 'VersionControl', 
       'Age', 'Years Experience', 'Gender', 
       'RawSalary'], dtype='object')
Ingineria caracteristicilor pentru Machine Learning în Python

Tipurile coloanelor

print(df.dtypes)

SurveyDate                            object
FormalEducation                       object
ConvertedSalary                      float64
...
Years Experience                       int64
Gender                                object
RawSalary                             object
dtype: object
Ingineria caracteristicilor pentru Machine Learning în Python

Selectarea tipurilor de date specifice

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

Index(['Age', 'Years Experience'], dtype='object')
Ingineria caracteristicilor pentru Machine Learning în Python

Să începem!

Ingineria caracteristicilor pentru Machine Learning în Python

Preparing Video For Download...