从数据中提取特征

特征提取是指将原始数据转换为一组可供机器学习模型使用的特征。本课将介绍特征工程的基础知识，以及从数据中提取有用特征的常见技术。

什么是特征提取？

特征提取通过识别与分析最相关的关键属性来简化原始数据。它可以降低数据复杂度并提升模型性能。

示例：

• 从 date 列中提取 month 和 day。
• 根据文本数据计算 word count。

从日期中提取特征

您可以使用 Pandas 从日期列中派生出 year、month 或 day 等新特征。

示例：

df['Year'] = pd.to_datetime(df['Date']).dt.year

基于文本的特征

对于文本数据，您可以提取以下特征：

• 词数：单词的总数。
• 字符数：字符的总数。
• 唯一词数：不重复单词的数量。

示例：

df['WordCount'] = df['Text'].apply(lambda x: len(x.split()))

分类特征编码

将分类数据转换为数值形式，以便进行分析。常见技术包括：

• 独热编码：为每个类别创建二进制列。
• 标签编码：为每个类别分配一个唯一的数字。

示例：

from sklearn.preprocessing import OneHotEncoder encoder = OneHotEncoder() encoded = encoder.fit_transform(df[['Category']])

特征缩放

缩放可确保所有特征处于相近的尺度上，这对许多机器学习算法至关重要。相关技术包括：

• 标准化：将数据缩放为均值为 0、标准差为 1。
• 最小-最大缩放：将数据转换到 [0, 1] 范围内。

特征选择

特征选择是指为模型选出最重要的特征。相关技术包括：

• 相关性分析：识别高度相关的特征。
• 递归特征消除（RFE）：反复移除最不重要的特征。

回顾

在本课中，您了解了以下内容：

• 特征提取：将原始数据转换为有用的特征。
• 技术：日期特征、基于文本的特征，以及分类数据编码。
• 特征缩放：确保特征处于相近的尺度上。
• 特征选择：识别最相关的特征。

恭喜您！

您已完成从数据中提取特征的课程。请继续学习下一类别，深入了解更高级的人工智能概念。