使用标签转换¶
在本指南中，您将学习如何使用LabelTimes上可用的转换。每个转换都返回标签时间的一个副本。这对于在不同设置下尝试多种转换而无需重新计算标签非常有用。因此，您可以更快地看到哪些标签能带来更好的性能。
生成标签¶
首先，在模拟交易数据集上生成标签。每个标签定义为客户在给定一小时交易中的总花费。
[1]:
import composeml as cp
def total_spent(df):
return df['amount'].sum()
label_maker = cp.LabelMaker(
labeling_function=total_spent,
target_dataframe_index='customer_id',
time_index='transaction_time',
window_size='1h',
)
labels = label_maker.search(
cp.demos.load_transactions(),
num_examples_per_instance=10,
minimum_data='2h',
gap='2min',
verbose=True,
)
Elapsed: 00:00 | Remaining: 00:00 | Progress: 100%|██████████| customer_id: 50/50
为了了解标签的样子，请预览数据框。
[2]:
labels.head()
[2]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 02:45:30 | 217.94 |
| 1 | 1 | 2014-01-01 02:47:30 | 217.94 |
| 2 | 1 | 2014-01-01 02:49:30 | 217.94 |
| 3 | 1 | 2014-01-01 02:51:30 | 217.94 |
| 4 | 1 | 2014-01-01 02:53:30 | 217.94 |
标签阈值处理¶
LabelTimes.threshold() 通过测试标签值是否高于某个阈值来创建二元标签。在此示例中，应用阈值来确定哪些客户消费超过 100。
[3]:
labels.threshold(100).head()
[3]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 02:45:30 | True |
| 1 | 1 | 2014-01-01 02:47:30 | True |
| 2 | 1 | 2014-01-01 02:49:30 | True |
| 3 | 1 | 2014-01-01 02:51:30 | True |
| 4 | 1 | 2014-01-01 02:53:30 | True |
标签时间提前¶
LabelTimes.apply_lead() 将标签时间提前。这对于训练预测模型很有用。在此示例中，将标签时间提前了一小时。
[4]:
labels.apply_lead('1h').head()
[4]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 01:45:30 | 217.94 |
| 1 | 1 | 2014-01-01 01:47:30 | 217.94 |
| 2 | 1 | 2014-01-01 01:49:30 | 217.94 |
| 3 | 1 | 2014-01-01 01:51:30 | 217.94 |
| 4 | 1 | 2014-01-01 01:53:30 | 217.94 |
标签分箱¶
LabelTimes.bin() 将标签分入离散区间（箱）。箱有两种类型：基于值或基于分位数。此外，箱的宽度可以由用户定义或平均划分。
基于值¶
要使用基于值的箱，应将 quantiles 设置为 False，这是默认值。
等宽¶
要将值分组到等宽的箱中，请将 bins 设置为标量值。在此示例中，total_spent 被分组到等宽的箱中。
[5]:
labels.bin(4, quantiles=False).head()
[5]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 02:45:30 | (198.455, 271.072] |
| 1 | 1 | 2014-01-01 02:47:30 | (198.455, 271.072] |
| 2 | 1 | 2014-01-01 02:49:30 | (198.455, 271.072] |
| 3 | 1 | 2014-01-01 02:51:30 | (198.455, 271.072] |
| 4 | 1 | 2014-01-01 02:53:30 | (198.455, 271.072] |
自定义宽度¶
要将值分组到自定义宽度的箱中，请将 bins 设置为定义边缘的值数组。在此示例中，total_spent 被分组到自定义宽度的箱中。
[6]:
inf = float('inf')
edges = [-inf, 34, 50, 67, inf]
labels.bin(edges, quantiles=False,).head()
[6]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 02:45:30 | (67.0, inf] |
| 1 | 1 | 2014-01-01 02:47:30 | (67.0, inf] |
| 2 | 1 | 2014-01-01 02:49:30 | (67.0, inf] |
| 3 | 1 | 2014-01-01 02:51:30 | (67.0, inf] |
| 4 | 1 | 2014-01-01 02:53:30 | (67.0, inf] |
基于分位数¶
要使用基于分位数的箱，应将 quantiles 设置为 True。
等宽¶
要将值分组到等宽的分位数箱中，请将 bins 设置为分位数的数量作为标量值（例如，4 表示四分位数，10 表示十分位数等）。在此示例中，总花费根据四分位数被分组到箱中。
[7]:
labels.bin(4, quantiles=True).head()
[7]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 02:45:30 | (196.25, 217.94] |
| 1 | 1 | 2014-01-01 02:47:30 | (196.25, 217.94] |
| 2 | 1 | 2014-01-01 02:49:30 | (196.25, 217.94] |
| 3 | 1 | 2014-01-01 02:51:30 | (196.25, 217.94] |
| 4 | 1 | 2014-01-01 02:53:30 | (196.25, 217.94] |
要验证四分位数的值，请检查描述性统计信息。
[8]:
stats = labels.total_spent.describe()
stats = stats.round(3).to_string()
print(stats)
count 50.000
mean 215.182
std 90.518
min 53.220
25% 196.250
50% 217.940
75% 290.390
max 343.690
自定义宽度¶
要将值分组到自定义宽度的分位数箱中，请将 bins 设置为分位数的数组。在此示例中，总花费被分组到自定义宽度的分位数箱中。
[9]:
quantiles = [0, .34, .5, .67, 1]
labels.bin(quantiles, quantiles=True).head()
[9]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 02:45:30 | (196.25, 217.94] |
| 1 | 1 | 2014-01-01 02:47:30 | (196.25, 217.94] |
| 2 | 1 | 2014-01-01 02:49:30 | (196.25, 217.94] |
| 3 | 1 | 2014-01-01 02:51:30 | (196.25, 217.94] |
| 4 | 1 | 2014-01-01 02:53:30 | (196.25, 217.94] |
标签箱¶
要为箱分配自定义标签，请将 labels 设置为值数组。标签的数量需要与箱的数量匹配。在此示例中，总花费被分组到带有自定义标签的箱中。
[10]:
values = ['low', 'medium', 'high']
labels.bin(3, labels=values).head()
[10]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 0 | 1 | 2014-01-01 02:45:30 | medium |
| 1 | 1 | 2014-01-01 02:47:30 | medium |
| 2 | 1 | 2014-01-01 02:49:30 | medium |
| 3 | 1 | 2014-01-01 02:51:30 | medium |
| 4 | 1 | 2014-01-01 02:53:30 | medium |
描述标签¶
LabelTimes.describe() 打印出带有您用于生成标签的设置和转换的分布。这有助于理解标签是如何从原始数据生成的。此外，标签分布对于确定我们是否有不平衡标签很有帮助。在此示例中，在将标签转换为离散值后，会打印出标签的描述。
[11]:
labels.threshold(100).describe()
Label Distribution
------------------
False 8
True 42
Total: 50
Settings
--------
gap 2min
maximum_data None
minimum_data 2h
num_examples_per_instance 10
target_column total_spent
target_dataframe_index customer_id
target_type discrete
window_size 1h
Transforms
----------
1. threshold
- value: 100
样本标签¶
LabelTimes.sample() 根据数量或比例对标签进行抽样。通过将 random_state 固定为整数，可以复现抽样结果。
要抽样 10 个标签，将 n 设置为 10。
[12]:
labels.sample(n=10, random_state=0)
[12]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 2 | 1 | 2014-01-01 02:49:30 | 217.94 |
| 4 | 1 | 2014-01-01 02:53:30 | 217.94 |
| 10 | 2 | 2014-01-01 02:00:00 | 290.39 |
| 11 | 2 | 2014-01-01 02:02:00 | 290.39 |
| 22 | 3 | 2014-01-01 03:49:05 | 196.25 |
| 27 | 3 | 2014-01-01 03:59:05 | 196.25 |
| 28 | 3 | 2014-01-01 04:01:05 | 196.25 |
| 31 | 4 | 2014-01-01 02:41:00 | 343.69 |
| 38 | 4 | 2014-01-01 02:55:00 | 225.18 |
| 41 | 5 | 2014-01-01 03:48:25 | 53.22 |
类似地，要抽样 10% 的标签，将 frac 设置为 10%。
[13]:
labels.sample(frac=.1, random_state=0)
[13]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 2 | 1 | 2014-01-01 02:49:30 | 217.94 |
| 10 | 2 | 2014-01-01 02:00:00 | 290.39 |
| 11 | 2 | 2014-01-01 02:02:00 | 290.39 |
| 28 | 3 | 2014-01-01 04:01:05 | 196.25 |
| 41 | 5 | 2014-01-01 03:48:25 | 53.22 |
分类标签¶
处理分类标签时，可以使用字典对每个类别的标签数量或比例进行抽样。将标签分入 4 个箱以使其成为分类标签。
[14]:
categorical = labels.bin(4, labels=['A', 'B', 'C', 'D'])
要对每个类别抽样 2 个标签，将每个类别映射到数字 2。
[15]:
n = {'A': 2, 'B': 2, 'C': 2, 'D': 2}
categorical.sample(n=n, random_state=0)
[15]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 6 | 1 | 2014-01-01 02:57:30 | C |
| 11 | 2 | 2014-01-01 02:02:00 | D |
| 16 | 2 | 2014-01-01 02:12:00 | D |
| 26 | 3 | 2014-01-01 03:57:05 | B |
| 38 | 4 | 2014-01-01 02:55:00 | C |
| 42 | 5 | 2014-01-01 03:50:25 | A |
| 46 | 5 | 2014-01-01 03:58:25 | A |
| 48 | 5 | 2014-01-01 04:02:25 | B |
类似地，要对每个类别抽样 10% 的标签，将每个类别映射到 10%。
[16]:
frac = {'A': .1, 'B': .1, 'C': .1, 'D': .1}
categorical.sample(frac=frac, random_state=0)
[16]:
| customer_id | time | total_spent | |
|---|---|---|---|
| 6 | 1 | 2014-01-01 02:57:30 | C |
| 11 | 2 | 2014-01-01 02:02:00 | D |
| 16 | 2 | 2014-01-01 02:12:00 | D |
| 26 | 3 | 2014-01-01 03:57:05 | B |
| 46 | 5 | 2014-01-01 03:58:25 | A |