「类别型」特征分析方法总结
本文系统梳理了9种类别型特征的编码方法。如有不足,还望指正。
一、背景
当我们预处理数据时,碰到类别型变量,需要将它们编码转换后才能输入进模型当中。按照不同的划分标准,类别型变量有:
● 按照类别是否有序:有序和无序的类别特征。
● 按照类别数量:高基类和低基类的类别特征。
针对不同的类别特征和任务,可选的类别特征编码方法也不一样。本文主要介绍常见且好用的类别编码方法,希望对大家有所帮助。
二、方法
1. 标签编码(Label Encoder)
标签编码就是简单地赋予不同类别,不同的数字标签。属于硬编码,优点是简单直白,网上很多说适用于有序类别型特征,不过如果是分类任务且类别不多的情况下,LGBM只要指定categorical_feature也能有较好的表现。但不建议用在高基类特征上,而且标签编码后的自然数对于回归任务来说是线性不可分的。
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
x = ['male', 'female', 'male']
x_trans = le.fit_transform(x)
>>>x_trans
array([1, 0, 1], dtype=int64)
2. 哈希编码(Hash Encoder)
哈希编码是使用二进制对标签编码做哈希映射。好处在于哈希编码器不需要维持类别字典,若后续出现训练集未出现的类别,哈希编码也能适用。但按位分开哈希编码,模型学习相对比较困难。
# !pip install category_encoders
import category_encoders as ce
x = pd.DataFrame({'gender':[2, 1, 1]})
ce_encoder = ce.HashingEncoder(cols = ['gender']).fit(x)
x_trans = ce_encoder.transform(x)
>>x_trans
col_0 col_1 col_2 col_3 col_4 col_5 col_6 col_7
0 0 0 0 0 1 0 0 0
1 0 0 0 1 0 0 0 0
2 0 0 0 1 0 0 0 0
3. 独热编码(One-hot Encoder)
独热编码能很好解决标签编码对于回归任务中线性不可分的问题,它采用N位状态寄存器来对N个状态进行编码,简单来说就是利用0和1表示类别状态,它转换后的变量叫哑变量(dummy variables)。同样地,它处理不好高基数特征,基类越大会带来过很多列的稀疏特征,消耗内存和训练时间。
x = pd.DataFrame({'gender':['male', 'female', 'male']})
x_dummies = pd.get_dummies(x['gender'])
>>>x_dummies
female male
0 0 1
1 1 0
2 0 1
4. 计数编码(Count Encoder)
计数编码也叫频次编码。就是用分类特征下不同类别的样本数去编码类别。清晰地反映了类别在数据集中的出现次数,缺点是忽略类别的物理意义,比如说两个类别出现频次相当,但是在业务意义上,模型的重要性也许不一样。
import category_encoders as ce
df = pd.DataFrame({'cat_feat':['A', 'A', 'B', 'A', 'B', 'A']})
count_encoder = ce.count.CountEncoder(cols = ['cat_feat']).fit(df)
df_trans = count_encoder.transform(df)
>>df_trans
cat_feat
0 4
1 4
2 2
3 4
4 2
5 4
5. 直方图编码(Bin Encoder)
直方图编码属于目标编码的一种,适用于分类任务。它先将类别属性分类,然后在对应属性下,统计不同类别标签的样本占比进行编码。直方图编码能清晰看出特征下不同类别对不同预测标签的贡献度[1],缺点在于:使用了标签数据,若训练集和测试集的类别特征分布不一致,那么编码结果容易引发过拟合。此外,直方图编码出的特征数量是分类标签的类别数量,若标签类别很多,可能会给训练带来空间和时间上的负担。直方图编码样例如下图所示:
图1:直方图编码
import pandas as pd
class hist_encoder:
'''直方图编码器
@author: alvin ai
params:
df (pd.DataFrame): 待编码的dataframe数据
encode_feat_name (str): 编码的类别特征名,当前代码只支持单个特征编码,若要批量编码,请自行实现
label_name (str): 类别标签
'''
def __init__(self, df, encode_feat_name, label_name):
self.df = df.copy()
self.encode_feat_name = encode_feat_name
self.label_name = label_name
def fit(self):
'''用训练集获取编码字典'''
# 分子:类别特征下给定类别,在不同分类标签下各类别的数量
self.df['numerator'] = 1
numerator_df = self.df.groupby([self.encode_feat_name, self.label_name])['numerator'].count().reset_index()
# 分母:分类标签下各类别的数量
self.df['denumerator'] = 1
denumerator_df = self.df.groupby(self.encode_feat_name)['denumerator'].count().reset_index()
# 类别特征类别、分类标签类别:直方图编码映射字典
encoder_df = pd.merge(numerator_df, denumerator_df, on = self.encode_feat_name)
encoder_df['encode'] = encoder_df['numerator'] / encoder_df['denumerator']
self.encoder_df = encoder_df[[self.encode_feat_name, self.label_name, 'encode']]
def transform(self, test_df):
'''对测试集编码'''
# 依次编码出: hist特征1, hist特征2, ...
test_trans_df = test_df.copy()
for label_cat in test_trans_df[self.label_name].unique():
hist_feat = []
for cat_feat_val in test_trans_df[self.encode_feat_name].values:
try:
encode_val = encoder_df[(encoder_df[self.label_name] == label_cat) & (encoder_df[self.encode_feat_name] == cat_feat_val)]['encode'].item()
hist_feat.append(encode_val)
except:
hist_feat.append(0)
encode_fname = self.encode_feat_name + '_en{}'.format(str(label_cat)) # 针对类别特征-类别label_cat的直方图编码特征名
test_trans_df[encode_fname] = hist_feat # 将编码的特征加入到原始数据中
return test_trans_df
# 初始化数据
df = pd.DataFrame({'cat_feat':['A', 'A', 'B', 'A', 'B', 'A'], 'label':[0, 1, 0, 2, 1, 2]})
encode_feat_name = 'cat_feat'
label_name = 'label'
# 直方图编码
he = hist_encoder(df, encode_feat_name, label_name)
he.fit()
df_trans = he.transform(df)
>>df
cat_feat label
0 A 0
1 A 1
2 B 0
3 A 2
4 B 1
5 A 2
>>df_trans
cat_feat label cat_feat_en0 cat_feat_en1 cat_feat_en2
0 A 0 0.25 0.25 0.5
1 A 1 0.25 0.25 0.5
2 B 0 0.50 0.50 0.0
3 A 2 0.25 0.25 0.5
4 B 1 0.50 0.50 0.0
5 A 2 0.25 0.25 0.5
6. WOE编码
WOE(Weight of Evidence,证据权重)编码适用于二分类任务,WOE表明自变量相对于因变量的预测能力。由于它是从信用评分世界演变而来的,它通常被描述为区分好客户和坏客户的衡量标准。“坏客户”是指拖欠贷款的客户。和“优质客户”指的是谁偿还贷款的客户。[8]
●
●
●
●
●
透过公式,我们可以把WOE理解成:每个分组内坏客户分布相对于优质客户分布之间的差异性。
据知乎主@马东什么[3]指出,WOE存在几个问题:
(1) 分母可能为0.
(2) 没有考虑不同类别数量的大小带来的影响,可能某类数量多,但最后计算出的WOE跟某样本数量少的类别的WOE一样。
(3) 只针对二分类问题。
(4) 训练集和测试集可能存在WOE编码差异(通病)。
对于问题1,源码[4]加入regularization(默认值为1)。
# Create a new column with regularized WOE.
# Regularization helps to avoid division by zero.
# Pre-calculate WOEs because logarithms are slow.
nominator = (stats['sum'] + self.regularization) / (self._sum + 2*self.regularization)
denominator = ((stats['count'] - stats['sum']) + self.regularization) / (self._count - self._sum + 2*self.regularization)
woe = np.log(nominator / denominator)
对于问题2,可以考虑使用IV(Information Value),可以看作对WOE的加权,公式如下:
(1) WOE describes the relationship between a predictive variable and a binary target variable.
(2) IV measures the strength of that relationship.
扩展:IV常会被用来评估变量的预测能力,用于筛选变量:
图2:不同IV值的预测性
对于问题3,可以考虑借鉴直方图编码的思路,将多分类标签,独热后依次进行WOE编码。[3],而对于问题4,暂时无解。
from category_encoders import WOEEncoder
import pandas as pd
df = pd.DataFrame({'cat_feat':['A', 'A', 'B', 'A', 'B', 'A'], 'label':[0, 1, 0, 1, 1, 1]})
enc = WOEEncoder(cols=['cat_feat']).fit(df, df['label'])
df_trans = enc.transform(df)
>>df_trans
cat_feat label
0 0.287682 0
1 0.287682 1
2 -0.405465 0
3 0.287682 1
4 -0.405465 1
5 0.287682 1
7. 目标编码(Target Encoder)
2001年Micci等人提出的目标编码[5],是一种有监督编码方法,适用于分类和回归任务中,高基类无序类别特征。
编码略显复杂,这里以分类任务为例,假设我们有类别型特征
图3:后验概率编码
使用后验概率编码后新增的c-1列之间是线性相关的,会带来多重共线性问题。为此,目标编码结合了前验概率和后验概率去估算新的概率编码:
源码[6]如下:
# 默认参数:min_samples_leaf=1, smoothing=1.0
smoove = 1 / (1 + np.exp(-(stats['count'] - self.min_samples_leaf) / self.smoothing))
smoothing = prior * (1 - smoove) + stats['mean'] * smoove
smoothing[stats['count'] == 1] = prior
其中,默认值:
●
●
●
图4:当k=1时,不同f值下的\lambda(n)
目标编码的好处是结合了先验概率和后验概率去编码,但由于概率是直接使用标签数据计算得到的,所以会引发过拟合问题。
from category_encoders import TargetEncoder
import pandas as pd
df = pd.DataFrame({'cat_feat':['A', 'A', 'B', 'A', 'B', 'A'], 'label':[0, 1, 0, 1, 1, 1]})
enc = TargetEncoder(cols=['cat_feat']).fit(df, df['label'])
df_trans = enc.transform(df)
>>df_trans
cat_feat label
0 0.746048 0
1 0.746048 1
2 0.544824 0
3 0.746048 1
4 0.544824 1
5 0.746048 1
8. 平均编码(Mean Encoder)
平均编码是基于目标编码的改进版。它的2点改动如下:
(1) 权重公式:其实没有本质上的区别,可自行修改函数内的参数。
'''
param prior_weight_func:
a function that takes in the number of observations,
and outputs prior weight when a dict is passed,
the default exponential decay function will be used:
k: the number of observations needed for the posterior to be weighted equally as the prior
f: larger f --> smaller slope
'''
self.prior_weight_func = eval('lambda x: 1 / (1 + np.exp((x - k) / f))', dict(prior_weight_func, np=np))
(2) 由于目标编码使用了标签,为了缓解编码带来模型过拟合问题,平均编码加入了K-fold编码思路,若分为5折,则用1-4折先fit后,再transform第5折,依次类推,将类别特征分5次编码出来。坏处是耗时。
# :param n_splits: the number of splits used in mean encoding. 默认n_splits=5
for variable, target in product(self.categorical_features, self.target_values):
nf_name = '{}_pred_{}'.format(variable, target)
X_new.loc[:, nf_name] = np.nan
for large_ind, small_ind in skf.split(y, y):
nf_large, nf_small, prior, col_avg_y = MeanEncoder.mean_encode_subroutine(X_new.iloc[large_ind],y.iloc[large_ind],X_new.iloc[small_ind],variable, target, self.prior_weight_func)
X_new.iloc[small_ind, -1] = nf_small
self.learned_stats[nf_name].append((prior, col_avg_y))
代码过长,这里不予展示,详情请见[7]:
# 代码过长,这里不予展示,详情请见[7]
class MeanEncoder
...
df = pd.DataFrame({'cat_feat':['A', 'A', 'B', 'A', 'B', 'A', 'A', 'A', 'B', 'A', 'B', 'A', 'A', 'A', 'B', 'A', 'B', 'A'], 'label':[0, 1, 0, 2, 1, 2, 0, 1, 0, 2, 1, 2, 0, 1, 0, 2, 1, 2]})
me = MeanEncoder(categorical_features = ['cat_feat'])
x_trans = me.fit_transform(df, df['label'])
>>x_trans
cat_feat label cat_feat_pred_0 cat_feat_pred_1 cat_feat_pred_2
0 A 0 0.222280 0.222345 0.555375
1 A 1 0.222280 0.222345 0.555375
2 B 0 0.394580 0.588482 0.016938
3 A 2 0.222280 0.222345 0.555375
4 B 1 0.588482 0.394580 0.016938
5 A 2 0.222345 0.222280 0.555375
6 A 0 0.222345 0.222280 0.555375
...
9. 模型编码(Model Encoder)
之前我写过文章【务实基础】CatBoost,里面有提到模型自带的类别特征编码。目前GBDT模型中,只有LGBM和CatBoost自带类别编码。LGBM的类别编码采用的是GS编码(Gradient Statistics),将类别特征转为累积值
train_data = lgb.Dataset(data, label=label, feature_name=['c1', 'c2', 'c3'], categorical_feature=['c3'])
据官方文档介绍,GS编码比独热编码快大概8倍速度。而且文档里也建议,当类别变量为高基类时,哪怕是简单忽略类别含义或把它嵌入到低维数值空间里,只要将特征转为数值型,一般会表现的比较好。就个人使用来讲,我一般会对无序类别型变量进行模型编码,有序类别型变量直接按顺序标签编码即可。
虽然LGBM用GS编码类别特征看起来挺厉害的,但是存在两个问题:
● 计算时间长:因为每轮都要为每个类别值进行GS计算。
● 内存消耗大:对于每次分裂,都存储给定类别特征下,它不同样本划分到不同叶节点的索引信息。
所以CatBoost使用Ordered TS编码,既利用了TS省空间和速度的优势,也使用Ordered的方式缓解预测偏移问题。详情可见我历史文章。
图5:Ordered TS示意图
三、总结
我这里总结了以上类别编码方法的区别:
图6:类别特征编码总结
总结来说,关于类别特征,有以下心得:
(1) 统计类编码常常不适用于小样本,因为统计意义不明显。
(2) 当训练集和测试集分布不一致时,统计类编码往往会有预测偏移问题,所以一般会考虑结合交叉验证。
(3) 编码后特征数变多的编码方法,不适用于高基类的特征,会带来稀疏性和训练成本。
(4) 没有完美的编码方法,但感觉标签编码、平均编码、WOE编码和模型编码比较常用。
参考资料
[1] 特征工程之Histogram编码, 博文: https://blog.csdn.net/Chengliangyao/article/details/82623775
[2] 风控模型—WOE与IV指标的深入理解应用 - 求是汪在路上, 知乎: https://zhuanlan.zhihu.com/p/80134853
[3] 特征编码方法总结—part1 - 马东什么, 知乎: https://zhuanlan.zhihu.com/p/67475635
[4] woe.py, 源码: https://github.com/scikit-learn-contrib/category_encoders/blob/master/category_encoders/woe.py
[5] Micci-Barreca, D. (2001). A preprocessing scheme for high-cardinality categorical attributes in classification and prediction problems. *ACM SIGKDD Explorations Newsletter*, *3*(1), 27-32.
[6] target_encoder - category_encoders, 源码: http://contrib.scikit-learn.org/category_encoders/_modules/category_encoders/target_encoder.html#TargetEncoder
[7] 平均数编码:针对某个分类特征类别基数特别大的编码方式, 博文: https://www.cnblogs.com/wzdLY/p/9639519.html
[8] 证据权重 (WOE) 和信息价值 (IV) - python风控模型, 知乎: https://zhuanlan.zhihu.com/p/389734858