自动化特征工程—Featuretools

Featuretools是一个可以自动进行特征工程的python库，主要原理是针对多个数据表以及它们之间的关系，通过转换(Transformation)和聚合(Aggregation)操作自动生成新的特征。转换操作的对象是单一数据表的一列或多列(例如对某列取绝对值或者计算两列之差)；聚合操作的对象是具有父子 (one-to-many)关系的两个数据表，通过对父表的某列进行归类(groupby)计算子表某列对应的统计值。下面通过几个简单的例子进行介绍，Featuretools在实际应用中的案例可以参考它的Github仓库。

1. 顾客交易记录，每个交易对应一个顾客，可分多次支付（需要求解的问题是关于顾客的）

• 建立数据

  import featuretools as ft
  import pandas as pd
  ### 构建简单的数据表
  customers = pd.DataFrame({'customer_id':[1,2],})
  transactions = pd.DataFrame({'transaction_id':[1,2,3,4,5], 'customer_id':[1,1,1,2,2], \
                               'amount':[3.,8.,6.,4.,9.]})
  payments = pd.DataFrame({'payment_id':[1,2,3,4,5,6,7,8], 'transaction_id':[1,1,2,3,3,4,4,5], \
                           'money':[3,7,6,5,8,2,4,7]})
  ### 建立数据表之间的关系
  es = ft.EntitySet('example1')
  es.entity_from_dataframe(dataframe=payments, entity_id='payments', index='payment_id')
  es.entity_from_dataframe(dataframe=transactions, entity_id='transactions', index='transaction_id')
  es.entity_from_dataframe(dataframe=customers, entity_id='customers', index='customer_id')
  r1 = ft.Relationship(es['customers']['customer_id'], es['transactions']['customer_id'])
  r2 = ft.Relationship(es['transactions']['transaction_id'], es['payments']['transaction_id'])
  es = es.add_relationship(r1)
  es = es.add_relationship(r2)
  print(es)

  

• 生成新的特征

  # 自定义primitive
  # Featuretools内置了许多常用的primitive, 这里仅为了介绍Featuretools更多的特性
  def plusOne(column): return column+1
  plus_one = ft.primitives.make_trans_primitive(function=plusOne, input_types=[ft.variable_types.Numeric],\
                                                return_type=ft.variable_types.Numeric)
  def maximum(column): return max(column)
  Maximum = ft.primitives.make_agg_primitive(function=maximum, input_types=[ft.variable_types.Numeric], \
                                             return_type=ft.variable_types.Numeric)
  # max_depth控制转换和聚合的次数
  feature_matrix, feature_defs = ft.dfs(entityset=es, target_entity="customers", trans_primitives=[plus_one], \
                                        agg_primitives=["sum", Maximum], max_depth=3)
  print(feature_defs)

  以特征SUM(transactions.PLUSONE(MAXIMUM(payments.money)))为例，下图说明了对customer_id=1的顾客该特征是如何计算的：

2. 顾客交易记录，每个交易对应一个顾客，可分多次支付（需要求解的问题是关于交易的）

• 同上，仅改动一行代码：

  feature_matrix, feature_defs = ft.dfs(entityset=es, target_entity="transactions", trans_primitives=[plus_one], \
                                        agg_primitives=["sum", Maximum], max_depth=3)

  以特征customers.PLUSONE(SUM(payments.money))为例，下图说明了对transaction_id=1的交易该特征是如何计算的：

3. 顾客交易记录，每个交易对应一个顾客和一个商品（需要求解的问题是关于顾客的）

• 建立数据

  customers = pd.DataFrame({'customer_id':[1,2],})
  transactions = pd.DataFrame({'transaction_id':[1,2,3,4,5], 'customer_id':[1,1,1,2,2], \
                               'amount':[3.,8.,6.,4.,9.], 'product_id':[1,2,3,1,2]})
  products = pd.DataFrame({'product_id':[1,2,3]})
  ### 建立数据表之间的关系
  es = ft.EntitySet('example')
  es.entity_from_dataframe(dataframe=products, entity_id='products', index='product_id')
  es.entity_from_dataframe(dataframe=transactions, entity_id='transactions', index='transaction_id')
  es.entity_from_dataframe(dataframe=customers, entity_id='customers', index='customer_id')
  r1 = ft.Relationship(es['customers']['customer_id'], es['transactions']['customer_id'])
  r2 = ft.Relationship(es['products']['product_id'], es['transactions']['product_id'])
  es = es.add_relationship(r1)
  es = es.add_relationship(r2)
  print(es)

  

• 生成新的特征

  def plusOne(column): return column+1
  plus_one = ft.primitives.make_trans_primitive(function=plusOne, input_types=[ft.variable_types.Numeric],\
                                                return_type=ft.variable_types.Numeric)
  def maximum(column): return max(column)
  Maximum = ft.primitives.make_agg_primitive(function=maximum, input_types=[ft.variable_types.Numeric], \
                                             return_type=ft.variable_types.Numeric)
  feature_matrix, feature_defs = ft.dfs(entityset=es, target_entity="customers", trans_primitives=[plus_one], \
                                        agg_primitives=["sum", Maximum], max_depth=3)
  print(feature_defs)

  以特征SUM(transactions.products.MAXIMUM(transactions.amount))为例，下图说明了对customer_id=1的顾客该特征是如何计算的：

Featuretools的一个重要特性是可以在建立特征工程时自动考虑时间的影响，防止数据泄露。下面仍以一个简单的例子进行说明，同上仍为顾客交易记录，每个交易对应一个顾客和一个商品，但是需要求解的问题是关于顾客在某个时间点的情况。

• 建立数据

  import featuretools as ft
  import pandas as pd
  ### 构建交易数据表
  transactions = pd.DataFrame({'transaction_id':[1,2,3,4,5,6], 'customer_id':[1,1,1,2,3,3], 'product_id':[1,2,1,1,2,2], \
                               'time':[pd.Timestamp('1/1/2019')+pd.Timedelta(x,'h') for x in [1,2,3,4,5,6]], \
                               'amount':[3., 8., 10., 4., 12., 9]}) #加入了交易时间
  products = pd.DataFrame({'product_id':[1,2]})
  ### 对每个顾客，定义对应的预测时间
  cutoff_times = pd.DataFrame({'customer_id':[1,2,3],'time':[pd.Timestamp('1/1/2019')+pd.Timedelta(x,'h') for x in [2,4,6]]})
  ### 从原始数据表中生成新的数据表并建立关系
  es = ft.EntitySet('example')
  es.entity_from_dataframe(dataframe=transactions, entity_id='transactions', index='transaction_id', time_index='time')
  es.normalize_entity(base_entity_id='transactions', new_entity_id='customers',index='customer_id')
  es.normalize_entity(base_entity_id='transactions', new_entity_id='products',index='product_id')
  print(es)

• 生成新的特征

  feature_matrix, feature_defs = ft.dfs(entityset=es, target_entity="customers", agg_primitives=["max","sum"], \
                                        max_depth=3, cutoff_time=cutoff_times) #添加了cutoff_time这一参数
  print(feature_defs)

  下图以特征SUM(transactions.products.MAX(transactions.amount))为例，说明建立特征时如何考虑了时间的影响