在中，我們講到了特徵選擇的一些要點。本篇我們繼續討論特徵工程，不過會重點關注於特徵表達部分，即如果對某一個特徵的具體表現形式做處理。主要包括缺失值處理，特殊的特徵處理比如時間和地理位置處理，離散特徵的連續化和離散化處理，連續特徵的離散化處理幾個方面。

1. 缺失值處理

          特徵有缺失值是非常常見的，大部分機器學習模型在擬合前需要所有的特徵都有值，不能是空或者NULL。那麼如果有缺失值我們需要怎麼處理呢？

　　   首先我們會看是該特徵是連續值還是離散值。如果是連續值，那麼一般有兩種選擇，一是選擇所有有該特徵值的樣本，然後取平均值，來填充缺失值，另一種是取中位數來填充缺失值。如果是離散值，則一般會選擇所有有該特徵值的樣本中最頻繁出現的類別值，來填充缺失值。在sklearn中，可以使用preprocessing.Imputer來選擇這三種不同的處理邏輯做預處理。

2. 特殊的特徵處理

 　　有些特徵的預設取值比較特殊，一般需要做了處理後才能用於演算法。比如日期時間，比如顯示20180519，這樣的值一般沒辦法直接使用。那麼一般需要如何變換呢？

        對於時間原始特徵，處理方法有很多，這裡只舉例幾種有代表性的方法。　第一種是使用連續的時間差值法，即計算出所有樣本的時間到某一個未來時間之間的數值差距，這樣這個差距是UTC的時間差，從而將時間特徵轉化為連續值。第二種方法是根據時間所在的年，月，日，星期幾，小時數，將一個時間特徵轉化為若干個離散特徵，這種方法在分析具有明顯時間趨勢的問題比較好用。第三種是權重法，即根據時間的新舊得到一個權重值。比如對於商品，三個月前購買的設定一個較低的權重，最近三天購買的設定一箇中等的權重，在三個月內但是三天前的設定一個較大的權重。當然，還有其他的設定權重的方法，這個要根據要解決的問題來靈活確定。

       對地理特徵，比如“廣州市天河區XX街道XX號”，這樣的特徵我們應該如何使用呢？處理成離散值和連續值都是可以的。如果是處理成離散值，則需要轉化為多個離散特徵，比如城市名特徵，區縣特徵，街道特徵等。但是如果我們需要判斷使用者分佈區域，則一般處理成連續值會比較好，這時可以將地址處理成經度和緯度的連續特徵。

3. 離散特徵的連續化處理

　　  有很多機器學習演算法只能處理連續值特徵，不能處理離散值特徵，比如線性迴歸，邏輯迴歸等。那麼想使用邏輯迴歸，線性迴歸時這些值只能丟棄嗎？當然不是。我們可以將離散特徵連續化處理。

　　 最常見的離散特徵連續化的處理方法是獨熱編碼one-hot encoding。處理方法其實比較簡單，比如某特徵的取值是高，中和低，那麼我們就可以建立三個取值為0或者1的特徵，將高編碼為1,0,0這樣三個特徵，中編碼為0,1,0這樣三個特徵，低編碼為0,0,1這樣三個特徵。也就是說，之前的一個特徵被我們轉化為了三個特徵。sklearn的OneHotEncoder可以幫我們做這個處理。

　　 第二個方法是特徵嵌入embedding。這個一般用於深度學習中。比如對於使用者的ID這個特徵，如果要使用獨熱編碼，則維度會爆炸，如果使用特徵嵌入就維度低很多了。對於每個要嵌入的特徵，我們會有一個特徵嵌入矩陣，這個矩陣的行很大，對應我們該特徵的數目。比如使用者ID，如果有100萬個，那麼嵌入的特徵矩陣的行就是100萬。但是列一般比較小，比如可以取20。這樣每個使用者ID就轉化為了一個20維的特徵向量。進而參與深度學習模型。在tensorflow中，我們可以先隨機初始化一個特徵嵌入矩陣，對於每個使用者，可以用tf.nn.embedding_lookup找到該使用者的特徵嵌入向量。特徵嵌入矩陣會在反向傳播的迭代中最佳化。

　　 此外，在中，我們也可以用word2vec將詞轉化為詞向量，進而可以進行一些連續值的後繼處理。

4. 離散特徵的離散化處理

　　 離散特徵有時間也不能直接使用，需要先進行轉化。比如最常見的，如果特徵的取值是高，中和低，那麼就算你需要的是離散值，也是沒法直接使用的。

　　 對於原始的離散值特徵，最常用的方法也是獨熱編碼，方法在第三節已經講到。

　　 第二種方法是虛擬編碼dummy coding，它和獨熱編碼類似，但是它的特點是，如果我們的特徵有N個取值，它只需要N-1個新的0,1特徵來代替，而獨熱編碼會用N個新特徵代替。比如一個特徵的取值是高，中和低，那麼我們只需要兩位編碼，比如只編碼中和低，如果是1，0則是中，0,1則是低。0,0則是高了。目前虛擬編碼使用的沒有獨熱編碼廣，因此一般有需要的話還是使用獨熱編碼比較好。

　　 此外，有時候我們可以對特徵進行研究後做一個更好的處理。比如，我們研究商品的銷量對應的特徵。裡面有一個原始特徵是季節春夏秋冬。我們可以將其轉化為淡季和旺季這樣的二值特徵，方便建模。當然有時候轉化為三值特徵或者四值特徵也是可以的。

　　 對於分類問題的特徵輸出，我們一般需要用sklearn的LabelEncoder將其轉化為0,1,2，...這樣的類別標籤值。

5. 連續特徵的離散化處理

　　 對於連續特徵，有時候我們也可以將其做離散化處理。這樣特徵變得高維稀疏，方便一些演算法的處理。

　　 對常用的方法是根據閾值進行分組，比如我們根據連續值特徵的分位數，將該特徵分為高，中和低三個特徵。將分位數從0-0.3的設定為高，0.3-0.7的設定為中，0.7-1的設定為高。

　　 當然還有高階一些的方法。比如使用GBDT。在LR+GBDT的經典模型中，就是使用GDBT來先將連續值轉化為離散值。那麼如何轉化呢？比如我們用訓練集的所有連續值和標籤輸出來訓練GBDT，最後得到的GBDT模型有兩顆決策樹，第一顆決策樹有三個葉子節點，第二顆決策樹有4個葉子節點。如果某一個樣本在第一顆決策樹會落在第二個葉子節點，在第二顆決策樹落在第4顆葉子節點，那麼它的編碼就是0,1,0,0,0,0,1，一共七個離散特徵，其中會有兩個取值為1的位置，分別對應每顆決策樹中樣本落點的位置。在sklearn中，我們可以用GradientBoostingClassifier的 apply方法很方便的得到樣本離散化後的特徵，然後使用獨熱編碼即可。 

         具體的一個示例程式碼如下：

from sklearn.datasets import make_classificationfrom sklearn.model_selection import train_test_splitfrom sklearn.ensemble import GradientBoostingClassifierfrom sklearn.preprocessing import OneHotEncoder
X, y = make_classification(n_samples=10)  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)
gbc = GradientBoostingClassifier(n_estimators=2)
one_hot = OneHotEncoder()
gbc.fit(X_train, y_train)
X_train_new = one_hot.fit_transform(gbc.apply(X_train)[:, :, 0])print (X_train_new.todense())

       輸出是：

[[0. 1. 1. 0.]
 [1. 0. 0. 1.]
 [1. 0. 0. 1.]
 [1. 0. 0. 1.]
 [0. 1. 1. 0.]]

6. 小結

       本文總結了特徵表達的一些具體方法， 但是特徵表達的方法便不止於上文中的方法，畢竟這是工程實踐。但是上文中的方法是比較普遍的，希望可以給大家一些幫助和啟發。 下一篇我們討論特徵預處理和分類類別不平衡的問題處理。