R Academy · 课时

使用 recipes 进行特征工程

Q: 「使用 recipes 进行特征工程」这节课中我会学到什么？

定义用于归一化、编码和插补的预处理步骤 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

定义用于归一化、编码和插补的预处理步骤

使用 recipes 进行特征工程 是 CoddyKit 上的免费 R Academy 课时。这是第 1 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 4 节课。

什么是配方？

在 tidymodels 中，配方是数据预处理的蓝图。它记录了将原始数据转换为可供模型使用的特征所需的步骤，但不会立即执行这些步骤。

关键函数是 recipe(outcome ~ ., data = train)，它定义公式以及用于估计预处理所需统计量的参考数据集。

library(recipes)
library(tidymodels)

# Create a recipe using the training data
rec <- recipe(price ~ ., data = train_data)
print(rec)

step_normalize()

step_normalize(all_numeric_predictors()) 将每个数值预测变量的均值居中到 0，并将其缩放到标准差为 1。对于容易受特征尺度影响的算法（例如逻辑回归、SVM 或神经网络）来说，这一步非常重要。

均值和 SD 根据训练集计算，并通过 bake() 一致地应用到测试数据。

rec <- recipe(price ~ ., data = train_data) |>
  step_normalize(all_numeric_predictors())

# Check what steps are recorded
print(rec)

step_dummy()

step_dummy(all_nominal_predictors()) 将分类变量（因子或字符变量）转换为数值型虚拟变量（独热编码）列。默认情况下，具有 k 个水平的因子会生成 k-1 列，以避免完全多重共线性。

对于能从完整独热编码中受益的基于树的模型，请使用 one_hot = TRUE。

rec <- recipe(price ~ ., data = train_data) |>
  step_dummy(all_nominal_predictors())

# After prep and bake, factor columns become 0/1 numeric columns
prepped <- prep(rec)
baked <- bake(prepped, new_data = NULL)
names(baked)

step_impute_median()

缺失值会导致大多数模型引擎失败。step_impute_median(all_numeric_predictors()) 会用根据训练集计算出的中位数替换 NA 值。与使用均值进行填补相比，中位数受异常值的影响更小。

对于分类变量，请使用 step_impute_mode() 填充出现频率最高的值。

rec <- recipe(price ~ ., data = train_data) |>
  step_impute_median(all_numeric_predictors()) |>
  step_impute_mode(all_nominal_predictors())

print(rec)

step_zv() — 移除零方差变量

step_zv(all_predictors()) 会移除只有一个唯一值的预测变量（零方差）。这类列不包含任何信息，并可能导致某些模型引擎出现错误。

对于近零方差，请使用 step_nzv(all_predictors())，它还会移除某个值占绝大多数的列。

rec <- recipe(price ~ ., data = train_data) |>
  step_impute_median(all_numeric_predictors()) |>
  step_dummy(all_nominal_predictors()) |>
  step_zv(all_predictors()) |>
  step_normalize(all_numeric_predictors())

print(rec)

prep() — 训练配方

prep(recipe) 使用训练数据估计各步骤所需的所有参数，例如标准化所需的均值和 SD，以及填补所需的中位数。结果是一个经过准备的配方，其中包含所有转换参数。

请始终只使用训练数据执行准备，以避免测试集造成数据泄漏。

# Build the full recipe
rec <- recipe(price ~ ., data = train_data) |>
  step_impute_median(all_numeric_predictors()) |>
  step_dummy(all_nominal_predictors()) |>
  step_zv(all_predictors()) |>
  step_normalize(all_numeric_predictors())

# Estimate parameters from training data
prepped_rec <- prep(rec)
print(prepped_rec)

bake() — 应用到新数据

bake(prepped_recipe, new_data = test_data) 使用已经估计好的参数，将所有预处理步骤应用到任意数据集。这可以确保训练数据和测试数据之间的转换保持一致。

传入 new_data = NULL，可将这些步骤应用于执行 prep() 时所使用的训练数据。

# Apply recipe to test data
baked_test <- bake(prepped_rec, new_data = test_data)
head(baked_test)

# Apply to training data (same as juice())
baked_train <- bake(prepped_rec, new_data = NULL)
dim(baked_train)

juice() — 提取处理后的训练数据

juice(prepped_recipe) 是一个便利函数，等价于 bake(prepped_recipe, new_data = NULL)。它会返回执行 prep() 时所使用训练数据的预处理版本。

注意：juice() 已略微过时，推荐使用 bake(prep, new_data = NULL)，但您仍会在较旧的 tidymodels 代码中看到它。

# juice() extracts the processed training data
train_processed <- juice(prepped_rec)
glimpse(train_processed)

# Equivalent modern approach
train_modern <- bake(prepped_rec, new_data = NULL)
identical(train_processed, train_modern)  # TRUE

组合多个步骤

各步骤会按照添加顺序执行。典型的生产配方应遵循以下顺序：

填补（先处理 NA）
创建特征（交互项、多项式）
虚拟变量编码（转换因子）
移除零方差变量
标准化（最后进行缩放）

顺序很重要——例如，在虚拟变量编码之前进行标准化会产生错误结果。

full_rec <- recipe(sale_price ~ ., data = housing_train) |>
  step_impute_median(all_numeric_predictors()) |>
  step_impute_mode(all_nominal_predictors()) |>
  step_log(sale_price, base = 10) |>
  step_other(all_nominal_predictors(), threshold = 0.05) |>
  step_dummy(all_nominal_predictors()) |>
  step_zv(all_predictors()) |>
  step_normalize(all_numeric_predictors())

print(full_rec)

检查准备结果

调用 prep() 后，您可以使用 tidy(prepped_rec) 检查每个步骤执行的操作。每个步骤都有一个数字编号，您可以使用 tidy(prepped_rec, number = 1) 进一步查看其估计参数。

prepped_rec <- prep(full_rec)

# View all steps and their status
tidy(prepped_rec)

# Inspect normalization parameters (mean, sd per column)
tidy(prepped_rec, number = 5)  # step_normalize is step 5

实际使用配方

配方与工作流结合使用时最能发挥作用。您无需手动调用 prep() 和 bake()，只需将配方添加到工作流中，tidymodels 就会在 fit() 和 predict() 期间自动处理准备和应用步骤。

这样可以避免一个常见错误来源：训练时和推断时采用了不同的预处理方式。

library(workflows)

# Recipe + model spec combined in a workflow
wf <- workflow() |>
  add_recipe(full_rec) |>
  add_model(linear_reg() |> set_engine('lm'))

# fit() internally calls prep() + bake() on training data
fitted_wf <- fit(wf, data = housing_train)

# predict() applies bake() to new data automatically
predictions <- predict(fitted_wf, new_data = housing_test)
head(predictions)

快速检查

在 tidymodels 配方框架中，调用 prep(recipe) 会执行什么操作？

配方回顾

使用配方进行特征工程的关键要点：

recipe(outcome ~ ., data = train) 定义预处理蓝图。
step_normalize()、step_dummy()、step_impute_median() 和 step_zv() 是最常用的步骤。
prep() 仅根据训练数据估计参数——绝不使用测试数据。
bake(prepped, new_data) 将训练好的配方应用到任意数据集。
步骤顺序很重要：填补 → 创建 → 编码 → 移除 → 缩放。
在生产环境中，将配方封装到 workflow() 中，以便在拟合和预测期间自动完成准备和应用。

# Full pipeline in 6 lines
rec <- recipe(target ~ ., data = train) |>
  step_impute_median(all_numeric_predictors()) |>
  step_dummy(all_nominal_predictors()) |>
  step_zv(all_predictors()) |>
  step_normalize(all_numeric_predictors())

prepped <- prep(rec)
train_baked <- bake(prepped, new_data = NULL)
test_baked  <- bake(prepped, new_data = test)

常见问题解答

「使用 recipes 进行特征工程」课时是免费的吗？

是的 — 「使用 recipes 进行特征工程」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 4 节课。

「使用 recipes 进行特征工程」这节课中我会学到什么？

定义用于归一化、编码和插补的预处理步骤你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 R Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 1 节课，共 4 节。

「使用 recipes 进行特征工程」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 R Academy 课中编写并运行代码吗？

能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 R Academy