特征工程的开始：数据集的特征理解

一时失言乱红尘 2022-12-23 06:18 205阅读 0赞

### 特征理解实战（一） ###

*  导读
 *  数据集的准备
 *  数据读取
 *  编码
 *  修正
 *  再进一步

# 导读 #

**本篇将详细解释数据集的处理方式。我相信肯定是有小伙伴读过《特征工程入门与实践》，所以这里就拿一些不一样的数据集说明特征理解的过程。**

# 数据集的准备 #

在这里我们使用的是德国的能源消耗信息，是一个结构化的报表。由于数据在外网，所以这里下载下来给大家：[点击查看并全文复制保存在本地][Link 1]。

如果你使用`Chrome`浏览器打开，那么你打开的时候应该是这样：

![数据集][6e0b9ca7802826970c95f3efb2ad6bae.png]

我们可以看到，这个数据中包含了从 2006 / 1 / 1 2006/1/1 2006/1/1开始的所有耗电数据、风力发电数据、太阳能发电数据和风力太阳能混合发电。在准备理解特征之前，我们还是把之前的流程图放在下面供参考：

![特征工程流程][904bb04c5ec92498f3d1bb21ca0b8293.png]

好的，开搞！

# 数据读取 #

在这里，我们使用`pandas`库进行数据的读取。

import pandas as pd
    
    # 读取数据集文件
    def get_data(path):
      datas = pd.read_csv(path)
      # 选取耗电作为研究对象
      data = datas[['Date', 'Consumption']]
      return data
      pass

封装了这个方法之后，我们调用就是这样：

# 我的文件保存在了/home/sakebow/python/data/germany_energy.csv
    data = get_data('/home/sakebow/python/data/germany_energy.csv')

由于数据本身是用`csv`存储的，所以具有一定的结构性。**第一步**：**结构化直接完成** \\sqrt\{\}

紧接着，我们来看看每一列的情况：

*  日期是定序等级，虽然数值有实际的意义，本质上还是类别；
 *  能耗是定量数据，在研究的时候还是会觉得数值非常大，所以将所有的能耗数据和 2006 / 01 / 01 2006/01/01 2006/01/01的相减，得到定距等级；
 *  风力发电和混合发电也是使用定距等级进行分析。

**第二步**：**每一列的类别分析**，**完成** \\sqrt\{\}

然后我们就对照[特征工程的准备：特征理解][Link 2]中提供的参照表进行图表的绘制。

那么对着表一个个看，发现应当这么操作：

看起来还不错。不过我们还是想研究**能耗**、**风力**、**太阳能**和**混合发电量**随着时间的推移而变化的趋势，所以，重新规划一下：

好了，图表确认了，我们直接开始吧。

# 编码 #

首先，我们先拉出数据集里面的日期和耗电量。刚刚我们拿到了一共四列数据的`DataFrame`对象`data`现在我们需要提取其中的几列作为研究对象。

# 使用两个中括号能够同时提取多列作为研究对象
    consumptions = data[['Date', 'Consumption']]
    # 使用DataFrame封装的plot方法能够非常方便的画出图像
    consumptions.plot()

**执行**！

好嘛，啥都没发生。纠其原因，就是没有显示图像。画归画，显示又是另一回事。所以我们引入`matplotlib`作为绘图包。接下来就是完整的代码：

**严重警告**：这部分代码虽然**没问题**，但是得出来的**结果很奇葩**。**复制请慎重**！

import pandas as pd
    import matplotlib.pyplot as pyplot
    
    def get_data(path, x, y):
      datas = pd.read_csv(path)
      data = datas[[x, y]]
      return data
    
    if __name__ == '__main__':
      data = get_data('/home/sakebow/python/data/germany_energy.csv', 'Date', 'Consumption')
      data.plot()
      pyplot.xlabel('date')
      pyplot.ylabel('consumption')
      pyplot.show()
      pass

**看起来非常完美**！**运行**！

![德国能源数据][c167fa22db723ae92107794ab5bb42c4.png]

# 修正 #

嗯……虽然线条没什么问题，但是这个横坐标也太奇葩了吧？直接将`DataFrame`的索引变成了横坐标。这显然不是什么好图表。

所以，我们稍加修改：

**注意**：下面这个方法是**正确的**，**请放心复制**。

import pandas as pd
    import matplotlib.pyplot as pyplot
    # 封装读取数据的函数
    def get_data(path, x, y):
      datas = pd.read_csv(path)
      data = datas[[x, y]]
      return data
    
    if __name__ == '__main__':
      # 获取数据
      data = get_data('/home/sakebow/python/data/germany_energy.csv', 'Date', 'Consumption')
      # 确认索引，并且替换掉原先的索引
      data.set_index('Date', inplace=True)
      # 内置函数绘图
      data.plot()
      # 横坐标备注
      pyplot.xlabel('date')
      # 纵坐标备注
      pyplot.ylabel('consumption')
      # 显示图表
      pyplot.show()
      pass

![德国能源数据][572af5d16f072ed23d87410f32e3cab3.png]

**这就好多了**。

能够很明显地看出来，德国能耗有一定的周期性。

# 再进一步 #

这也就是特征理解一直在做的事情。通过图表分析数据地走向。如果数据量非常多，我们也可以使用这样的方法：

import pandas as pd
    import matplotlib.pyplot as pyplot
    
    if __name__ == '__main__':
      # 获取数据
      datas = pd.read_csv('/home/sakebow/python/data/germany_energy.csv')
      # 确认索引，并且替换掉原先的索引
      datas.set_index('Date', inplace=True)
      # 内置函数绘图
      data.plot()
      # 横坐标备注
      pyplot.xlabel('date')
      # 显示图表
      pyplot.show()
      pass

![德国能源数据][17213ca62fb8a736a102e353273c698a.png]

像这样就非常明显地表明：**从2006年开始德国的耗电有着周期性的**、**稳定的变化**；**风力发电和太阳能发电一直都在增长**。**但是混合发电量依然远远达不到耗电量**。

这就是特征理解了。在这个阶段，我们所做的就是**使用图表来理解什么数据是什么趋势**、**通过肉眼大致预测什么数据和什么有关**。

是不是有点能理解了？

[Link 1]: https://sakebow.gitee.io/images/%E6%95%B0%E6%8D%AE%E9%9B%86/germany_energy.csv
[6e0b9ca7802826970c95f3efb2ad6bae.png]: /images/20221120/7f7d258f4a08404b849999606c467063.png
[904bb04c5ec92498f3d1bb21ca0b8293.png]: https://img-blog.csdnimg.cn/img_convert/904bb04c5ec92498f3d1bb21ca0b8293.png
[Link 2]: https://blog.csdn.net/ordinary_brony/article/details/109967178
[c167fa22db723ae92107794ab5bb42c4.png]: https://img-blog.csdnimg.cn/img_convert/c167fa22db723ae92107794ab5bb42c4.png
[572af5d16f072ed23d87410f32e3cab3.png]: https://img-blog.csdnimg.cn/img_convert/572af5d16f072ed23d87410f32e3cab3.png
[17213ca62fb8a736a102e353273c698a.png]: https://img-blog.csdnimg.cn/img_convert/17213ca62fb8a736a102e353273c698a.png