featuretools下载 - featuretools源码下载

“机器学习的圣杯之一是使越来越多的特征工程过程自动化。” ——Pedro Domingos，关于机器学习的一些有用知识

Featuretools 是一个用于自动化特征工程的 Python 库。请参阅文档以获取更多信息。

安装

使用 pip 安装

 python -m pip install featuretools

或来自 conda 上的 Conda-forge 频道：

 conda install -c conda-forge featuretools

附加组件

您可以通过运行以下命令单独或一次性安装所有附加组件：

 python -m pip install "featuretools[complete]"

Premium Primitives - 使用 premium-primitives 存储库中的 Premium Primitives

 python -m pip install "featuretools[premium]"

NLP 原语- 使用 nlp-primitives 存储库中的自然语言原语

 python -m pip install "featuretools[nlp]"

Dask 支持- 使用 Dask 运行 DFS，njobs > 1

 python -m pip install "featuretools[dask]"

例子

下面是使用深度特征合成（DFS）执行自动化特征工程的示例。在此示例中，我们将 DFS 应用于由带时间戳的客户交易组成的多表数据集。

 >> import featuretools as ft
>> es = ft . demo . load_mock_customer ( return_entityset = True )
>> es . plot ()

特征工具可以自动为任何“目标数据框”创建单个特征表

> feature_matrix.head(5)">

 >> feature_matrix , features_defs = ft . dfs ( entityset = es , target_dataframe_name = "customers" )
>> feature_matrix . head ( 5 )

            zip_code  COUNT(transactions)  COUNT(sessions)  SUM(transactions.amount) MODE(sessions.device)  MIN(transactions.amount)  MAX(transactions.amount)  YEAR(join_date)  SKEW(transactions.amount)  DAY(join_date)                   ...                     SUM(sessions.MIN(transactions.amount))  MAX(sessions.SKEW(transactions.amount))  MAX(sessions.MIN(transactions.amount))  SUM(sessions.MEAN(transactions.amount))  STD(sessions.SUM(transactions.amount))  STD(sessions.MEAN(transactions.amount))  SKEW(sessions.MEAN(transactions.amount))  STD(sessions.MAX(transactions.amount))  NUM_UNIQUE(sessions.DAY(session_start))  MIN(sessions.SKEW(transactions.amount))
customer_id                                                                                                                                                                                                                                  ...
1              60091                  131               10                  10236.77               desktop                      5.60                    149.95             2008                   0.070041               1                   ...                                                     169.77                                 0.610052                                   41.95                               791.976505                              175.939423                                 9.299023                                 -0.377150                                5.857976                                        1                                -0.395358
2              02139                  122                8                   9118.81                mobile                      5.81                    149.15             2008                   0.028647              20                   ...                                                     114.85                                 0.492531                                   42.96                               596.243506                              230.333502                                10.925037                                  0.962350                                7.420480                                        1                                -0.470007
3              02139                   78                5                   5758.24               desktop                      6.78                    147.73             2008                   0.070814              10                   ...                                                      64.98                                 0.645728                                   21.77                               369.770121                              471.048551                                 9.819148                                 -0.244976                               12.537259                                        1                                -0.630425
4              60091                  111                8                   8205.28               desktop                      5.73                    149.56             2008                   0.087986              30                   ...                                                      83.53                                 0.516262                                   17.27                               584.673126                              322.883448                                13.065436                                 -0.548969                               12.738488                                        1                                -0.497169
5              02139                   58                4                   4571.37                tablet                      5.91                    148.17             2008                   0.085883              19                   ...                                                      73.09                                 0.830112                                   27.46                               313.448942                              198.522508                                 8.950528                                  0.098885                                5.599228                                        1                                -0.396571

[5 rows x 69 columns]

现在，我们为每个客户提供了一个可用于机器学习的特征向量。有关更多示例，请参阅有关深度特征合成的文档。

Featuretools 包含许多不同类型的用于创建特征的内置基元。如果未包含您需要的基元，Featuretools 还允许您定义自己的自定义基元。

演示

预测下次购买

存储库 |笔记本

在此演示中，我们使用来自 Instacart 的 300 万个在线杂货订单的多表数据集来预测客户接下来会购买什么。我们展示了如何通过自动化特征工程生成特征，并使用Featuretools构建准确的机器学习管道，该管道可以重复用于多个预测问题。对于更高级的用户，我们展示了如何使用 Dask 将管道扩展到大型数据集。

有关如何使用 Featuretools 的更多示例，请查看我们的演示页面。

测试与开发

Featuretools 社区欢迎拉取请求。此处提供了测试和开发说明。

支持

Featuretools 社区很乐意为 Featuretools 用户提供支持。根据问题类型，可以在四个地方找到项目支持：

对于使用问题，请使用 Stack Overflow 和featuretools标签。
对于错误、问题或功能请求，请启动 Github 问题。
有关核心库开发的讨论，请使用 Slack。
对于其他一切，可以通过电子邮件联系核心开发人员：[email protected]

引用特征工具

如果您使用Featuretools，请考虑引用以下论文：

詹姆斯·马克斯·坎特，卡扬·维拉马查内尼。深度特征综合：实现数据科学工作自动化。 IEEE DSAA 2015 。

BibTeX 条目：

 @inproceedings { kanter2015deep ,
  author    = { James Max Kanter and Kalyan Veeramachaneni } ,
  title     = { Deep feature synthesis: Towards automating data science endeavors } ,
  booktitle = { 2015 {IEEE} International Conference on Data Science and Advanced Analytics, DSAA 2015, Paris, France, October 19-21, 2015 } ,
  pages     = { 1--10 } ,
  year      = { 2015 } ,
  organization = { IEEE }
}