Kaggle知识点：列表的7种特征编码

在结构化数据中经常遇到列表或交易等非结构化列，比较典型的案例如下，此时一个列表列会包含字符串 或 一个列表：

ID列     Tag列
用户A    tag1, tag2, tag3
用户B    tag3, tag5, tag6, tag10
用户C    tag3, tag5, tag6, tag10

如何对此类列进行编码和提取特征呢？本文将给出一些基础和进阶的解决方法。

方法1：进行基础统计

在进行编码时，最基础的想法是可以统计个数，个数的多少可以直观反应这列包含的信息的多少。

df['Tag列'].apply(len)

当然可以直接进行统计列表长度，也可以先计算每个tag的频次，然后进行相应的统计。

• 优点：实现简单，并没有增加维度；
• 缺点：信息丢失较多

方法2：提取TFIDF

在进行编码的过程中，可以使用onehot对单个某个tag进行编码，又或者使用直接使用TFIDF进行编码。

• CounterVecoter：计算TF
• TFIDFVector：计算TF + IDF

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer

• 优点：可以对tag进行有效索引；
• 缺点：增加特征维度；

方法3：TFIDF + LDA/SVD

进行次数编码容易造成维度爆炸，一种代替的方法是先进行TFIDF编码，然后进行降维：LDA、SVD或者t-SNE降维。

from sklearn.decomposition import PCA
from sklearn.decomposition import LatentDirichletAllocation
from sklearn.decomposition import TruncatedSVD

• 优点：维度更低，特征更加有区分性。
• 缺点：降维需要额外的训练时间；

方法4：句子嵌入

词向量是一种非常有效的单词编码方法，可以对单词进行映射。我们可以参考无监督句子编码的方法，对tag进行嵌入，然后对多个tag进行聚合。

如果一个tag编码为100维度，则我们需要将任意多个tag都编码为100维度。这里的聚合方法包括：

• Mean-pooling
• Max-pooling
• TFIDF-pooling
• SIF Embedding

上述实现过程需要额外训练词向量，如果使用深度学习框架实现会更加快速。

• 优点：维度更加可控，语义更加完整。
• 缺点：不适用tag乱序的情况

方法5：频繁项聚类

对于tag列可以作为集合进行处理，可以参考频繁项挖掘的方法进行聚类操作。频繁项集聚类提供了一个减少维度，聚类之后的聚类类别可以单独当做类别变量。

相应簇由包含频繁项集，当然也可以使用文本聚类的方法，比如层次聚类。

• 优点：可解释性强，维度低；
• 缺点：需要额外编码，聚类更新困难

方法6：PageRank

在多个tag进行编码的过程，可以单独计算每个tag的IDF，也就是权重。当然我们也可以将多个tag组合在一起视为一个图。

比如tag1, tag2, tag3可以构建为一个三个节点的有向图，构建完成之后然后计算每个节点的权重。

通过PageRank可以计算得到每个tag的权重，也可以得到所有tag得到的图的核心节点。

• 优点：tag权重有意义，可解释。
• 缺点：适用于tag间存有向的情况。

方法7：minihash或者LSH

如果将tag列表当做集合看待，我们可以使用minihash进行对集合进行编码，然后使用LSH进行编码。LSH包含多次哈希，最终可以将包含相同tag的列表哈希得到相同的桶中。

• 优点：适用于大规模和分布式数据集
• 缺点：需要手动设计哈希函数