版本 1.8.X

版本 1.8.1

部署日期: 2024年9月1日

贡献者

• Cainã Max Couto da Silva

• Gurjinder Kaur

• Sergio Benito Martin

• Ranja Sarkar

• Hector Patino

• Alessandro Benetti

• olikra 是一个开源项目。

• Kanan Mahammadli 的 GitHub 链接

• Soledad Galli

在此版本中，我们修复了来自 pandas 和 numpy 的几个错误和未来的弃用警告。此外，我们扩展了一些特征选择类的功能，以返回派生特征重要性的标准差。

我们还更新和扩展了文档的各个页面。

非常感谢所有为此次发布做出贡献的贡献者，以及 Vasco Schiavo 和 Gleb Levitski 积极参与讨论我们的许多PR和问题。

如果您重视我们所做的工作，请考虑 赞助我们，以便我们能够保持快速更新 Feature-engine。

增强功能

• ProbeFeatureSelection 现在还可以通过单特征模型性能来确定特征重要性 (Soledad Galli)

• ProbeFeatureSelection 现在可以返回特征重要性的标准差 (Soledad Galli)

• RecursiveFeatureElimination 和 RecursiveFeatureAddition 现在可以返回特征重要性的标准差 (Soledad Galli)

• SelectByShuffling, SelectBySingleFeaturePerformance 和 SelectByTargetMeanPerformance 现在可以返回特征重要性的标准差 (Soledad Galli)

• 所有特征选择类现在可以通过 groups 参数实现组交叉验证 (Kanan Mahammadli)

Bug 修复

• 递归特征选择器的 cv 参数现在可以接受类型为 KFold.split(X, y) 的 cv 生成器 (Alessandro Benetti)

• 剩余特征选择类的 cv 参数现在可以接受 KFold.split(X, y) 类型的 cv 生成器 (Soledad Galli)

• LogCpTransformer() 仅在拟合过程中对严格非正的变量添加常数（Soledad Galli）

• 修复了 MatchVariables 中的错误，该错误在引发缺失值时阻止了转换器的工作 (Soledad Galli)

• 修复了 YeoJohnsonTransformer() 中的 inverse_transform() 的错误 (Soledad Galli)

• 修复 pandas 未来警告 (Soledad Galli)

• 修复 numpy 未来警告 (olikra)

代码改进

• 扩展各种测试的覆盖范围 (olikra)

文档

• 扩展 ReciprocalTransformer() 的用户指南 (Sergio Benito Martin)

• 扩展 YeoJohnsonTransformer() 的用户指南 (Ranja Sarkar)

• 扩展 WoEEncoder() 的用户指南 (Hector Patino)

• 扩展 OrdinalEncoder() 的用户指南 (Gurjinder Kaur)

• 扩展 MeanMedianImputer() 的用户指南 (Cainã Max Couto da Silva)

• 扩展 CyclicalFeatures 文档以解释 max_values 是如何计算的，以及与 Scikit-learn 文档的差异 (Soledad Galli)

• 将 contribute.MD 文件添加到仓库 (Soledad Galli)

版本 1.8.0

部署日期: 2024年5月26日

贡献者

• Cainã Max Couto da Silva

• Gurjinder Kaur

• Gleb Levitski

• Lorenzo Vitali

• Soledad Galli

在此版本中，我们进行了一些重大更改。DecisionTreeEncoder() 不再具有编码管道。取而代之的是，我们现在添加了一个 encoding_dict_ 参数，用于存储从类别到决策树预测的映射。这使我们能够额外实现一种处理未见类别的方法和 inverse_transform 方法。

我们还扩展了 DecisionTreeDiscretiser() 的功能，现在可以用决策树预测、区间限制或分箱编号来替换连续属性。

此外，我们引入了一个新的转换器，即 DecisionTreeFreatures()，它为数据添加了新特征，这些特征来自于基于一个或多个特征训练的决策树的预测结果。

模块 outliers 中的类现在可以自动选择异常值边界的限制。

最后，我们更新并扩展了文档中的多个页面。

非常感谢所有为此次发布做出贡献的贡献者，以及 Vasco Schiavo 和 Gleb Levitski 积极审查我们的许多PR。

如果您重视我们所做的工作，请考虑 赞助我们，以便我们能够继续快速更新 Feature-engine。

新

• DecisionTreeFeatures 是来自创建模块的一个新转换器，它基于决策树的预测添加特征（Soledad Galli）

增强功能

• DecisionTreeEncoder 现在支持对未见类别的编码、inverse_transform，并提供一个编码字典而不是流水线（Soledad Galli、Gleb Levitski 和 Lorenzo Vitali）

• DecisionTreeDiscretiser() 现在可以用决策树预测、区间限制或分箱编号来替换连续属性 (Soledad Galli)

• OutlierTrimmer() 和 Winsorizer() 现在可以根据统计方法自动调整异常值搜索的强度（参数 fold="auto"）（Gleb Levitski）

文档

• 改进 PowerTransformer() 的用户指南 (Cainã Max Couto da Silva)

• 改进 EqualFrequencyDiscretiser() 和 EqualWidthDiscretiser 的用户指南 (Cainã Max Couto da Silva)

• 改进分类编码模块的用户指南 (Gurjinder Kaur)