CyclicalFeatures#
- class feature_engine.creation.CyclicalFeatures(variables=None, max_values=None, drop_original=False)[源代码][源代码]#
CyclicalFeatures() 对数值变量应用周期性变换，根据以下规则为每个变量返回2个新特征：
var_sin = sin(variable * (2. * pi / max_value))
var_cos = cos(variable * (2. * pi / max_value))
其中 max_value 是变量中的最大值，而 pi 是 3.14…
CyclicalFeatures() 仅适用于数值变量。可以传递一个变量列表作为参数进行转换。或者，转换器将自动选择并转换所有数值变量。
在使用此转换器之前，应先对缺失数据进行插补。
更多详情请参阅 用户指南。
- 参数
- 变量: 列表, 默认=无
要转换的数值变量的列表。如果为 None，转换器将自动查找并选择所有数值变量。
- max_values: dict, default=None
一个包含每个变量要转换的最大值的字典。当数据集中不存在最大值时很有用。如果为 None，转换器将自动找到每个变量的最大值。
- drop_original: bool, default=False
如果为 True，则转换前的原始变量将从数据框中删除。
- 属性
- max_values_
该功能的最高值。
- 变量_
将被转换的变量组。
- feature_names_in_:
列出在
fit过程中看到的特征名称。- n_features_in_:
在拟合过程中使用的训练集中的特征数量。
参考文献
Debaditya Chakraborty & Hazem Elzarka (2019), 建筑性能模拟的高级机器学习技术：比较分析, 建筑性能模拟杂志, 12:2, 193-207
示例
>>> import pandas as pd >>> from feature_engine.creation import CyclicalFeatures >>> X = pd.DataFrame(dict(x= [1,4,3,3,4,2,1,2])) >>> cf = CyclicalFeatures() >>> cf.fit(X) >>> cf.transform(X) x x_sin x_cos 0 1 1.000000e+00 6.123234e-17 1 4 -2.449294e-16 1.000000e+00 2 3 -1.000000e+00 -1.836970e-16 3 3 -1.000000e+00 -1.836970e-16 4 4 -2.449294e-16 1.000000e+00 5 2 1.224647e-16 -1.000000e+00 6 1 1.000000e+00 6.123234e-17 7 2 1.224647e-16 -1.000000e+00
方法
拟合：
学习变量的最大值。
fit_transform:
拟合数据，然后进行转换。
get_feature_names_out:
获取转换的输出特征名称。
get_params:
获取此估计器的参数。
设置参数:
设置此估计器的参数。
转换：
创建新功能。
- fit(X, y=None)[源代码][源代码]#
学习每个变量的最大值。
- 参数
- X: pandas 数据框，形状为 = [样本数, 特征数]
训练输入样本。可以是整个数据框，而不仅仅是需要转换的变量。
- y: pandas Series, default=None
在这个转换器中不需要。你可以传递 y 或 None。
- fit_transform(X, y=None, **fit_params)[源代码]#
拟合数据，然后进行转换。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数
- X类似数组的形状 (n_samples, n_features)
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组，默认=None
目标值（无监督变换为 None）。
- ****fit_参数dict
附加的拟合参数。
- 返回
- X_newndarray 数组，形状为 (n_samples, n_features_new)
转换后的数组。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请查看 用户指南 以了解路由机制的工作原理。
- 返回
- 路由MetadataRequest
一个封装了路由信息的
MetadataRequest。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数
- 深度bool, 默认=True
如果为真，将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回
- 参数dict
参数名称映射到它们的值。