1.DataFrame中某一列的值衍生为新的特征

#将LBL1特征的值衍生为one-hot形式的新特征
piao=df_train_log.LBL1.value_counts().index
#先构造一个临时的df
df_tmp=pd.DataFrame({'USRID':df_train_log.drop_duplicates('USRID').USRID.values})
#将所有的新特征列都置为0
for i in piao:
df_tmp['PIAO_'+i]=0 #进行分组便利,有这个特征就置为1,原数据每个USRID有多条记录,所以分组统计
group=df_train_log.groupby(['USRID'])
for k in group.groups.keys():
t = group.get_group(k)
id=t.USRID.value_counts().index[0]
tmp_list=t.LBL1.value_counts().index
for j in tmp_list:
df_tmp['PIAO_'+j].loc[df_tmp.USRID==id]=1

 2.分组统计,选出同一USRID下该变量中出现次数最多的值项

group=df_train_log.groupby(['USRID'])
lt=[]
list_max_lbl1=[]
list_max_lbl2=[]
list_max_lbl3=[]
for k in group.groups.keys():
t = group.get_group(k)
#通过value_counts找出出现次数最多的项
argmx = np.argmax(t['EVT_LBL'].value_counts())
lbl1_max=np.argmax(t['LBL1'].value_counts())
lbl2_max=np.argmax(t['LBL2'].value_counts())
lbl3_max=np.argmax(t['LBL3'].value_counts())
list_max_lbl1.append(lbl1_max)
list_max_lbl2.append(lbl2_max)
list_max_lbl3.append(lbl3_max)
#只留下出现次数最多的项
c = t[t['EVT_LBL']==argmx].drop_duplicates('EVT_LBL')
#放入list中
lt.append(c)
#构造一个新的df
df_train_log_new = pd.concat(lt)
#另外又构造了三个特征,LBL1-LBL3分别出现次数最多的项
df_train_log_new['LBL1_MAX']=list_max_lbl1
df_train_log_new['LBL2_MAX']=list_max_lbl2
df_train_log_new['LBL3_MAX']=list_max_lbl3

 3.衍生出某天是否发生的ont-hot新特征

#创造临时df,星期三,星期六,星期七,都默认置为0
df_day=pd.DataFrame({'USRID':df_train_log.drop_duplicates('USRID').USRID.values})
df_day['weekday_3']=0
df_day['weekday_6']=0
df_day['weekday_7']=0 #分组统计,有就置为1,没有置为0
group=df_train_log.groupby(['USRID'])
for k in group.groups.keys():
t = group.get_group(k)
id=t.USRID.value_counts().index[0]
tmp_list=t.occ_dayofweek.value_counts().index
for j in tmp_list:
if j==3:
df_day['weekday_3'].loc[df_tmp.USRID==id]=1
elif j==6:
df_day['weekday_6'].loc[df_tmp.USRID==id]=1
elif j==7:
df_day['weekday_7'].loc[df_tmp.USRID==id]=1

 

4.查看用户一共停留在APP上多少秒,共有几天看了APP

#首先将日期转化为时间戳,并赋予一个新特征
tmp_list=[]
for i in df_train_log.OCC_TIM:
d=datetime.datetime.strptime(str(i),"%Y-%m-%d %H:%M:%S")
evt_time = time.mktime(d.timetuple())
tmp_list.append(evt_time) df_train_log['time']=tmp_list #每下一行减去上一行,得到app停留时间
df_train_log['diff_time']=df_train_log.time-df_train_log.time.shift(1) #构造一个新的dataFrame,分组得到查看app的天数
df_time=pd.DataFrame({'USRID':df_train_log.drop_duplicates('USRID').USRID.values})
#有几天查看
df_time['days']=0
group=df_train_log.groupby(['USRID'])
for k in group.groups.keys():
t = group.get_group(k)
id=set(t.USRID).pop()
df_time['days'].loc[df_time.USRID==id]= len(t.occ_day.value_counts().index) #去掉一些异常时间戳,比如间隔两天的相减,肯定不合适,na的也去掉了
df_train_log=df_train_log[(df_train_log.diff_time>0)&(df_train_log.diff_time<8000)]
#累计停留时间
group_stayTime=df_train_log['diff_time'].groupby(df_train_log['USRID']).sum()
#创造新的df
df_tmp=pd.DataFrame({'USRID':list(group_stayTime.index.values),'stay_time':list(group_stayTime.values)}) #合并成一个新的df
df=pd.merge(df_time,df_tmp,on=['USRID'],how='left')
#合并后,缺失的停留时间,置为0
df.fillna(0,axis=1,inplace=True)

最新文章

  1. easyui datagrid 动态操作editor 的方法
  2. 笔记:linux下mysql设置utf-8编码方法
  3. SQL导出excel
  4. Condition的优点
  5. png图片那点事
  6. Cocos2d-x——支持多触点
  7. ElasticSearch使用
  8. 消息机制2 - Windows程序设计(SDK)005
  9. git 以及 github 使用系列
  10. Django --- 单表的增删改查
  11. SQL08 清空日志文件语句
  12. 如何编写package.json配置NodeJS项目的模块声明
  13. Linux大棚命令记录
  14. 使用 nghttpx 搭建 HTTP/2 代理 (转)
  15. linux 设置用户自动登出时间
  16. 【pyspider】初次使用pyspider遇到的问题
  17. ReferenceError: weakly-referenced object no longer exists Python kafka
  18. TableView头视图高度问题
  19. 20165233 Java第七、十章学习总结
  20. 订阅无法在 ARM 模式下创建虚拟机,只能在 ASM 模式下创建 Azure VM 部署

热门文章

  1. Java 中 Vector、ArrayList、List 使用深入剖析
  2. Delphi通过ADO链接数据库及对数据库的增加,删除,修改,读取操作实例教程4
  3. android面试(1)----布局
  4. 【明哥报错簿】之【 &quot;javax.servlet.http.HttpServlet&quot; was not found on the Java Build Path || HttpServletRequest/HttpServletResponse cannot be resolved to a type】
  5. 【Codeforces 98E】 Help Shrek and Donkey 游戏策略神题
  6. HDU.2612 Find a way (BFS)
  7. Codeforces Round #441 Div. 2题解
  8. [雅礼集训 2017 Day1]市场
  9. 特征点检测学习_2(surf算法)
  10. java面试之闭包(closure)