Alteryx Featuretools 特征原语深度解析

什么是特征原语

特征原语是Featuretools中的基础构建模块，它们定义了可以应用于原始数据集以创建新特征的独立计算单元。每个原语只约束输入和输出的数据类型，因此可以跨数据集应用，并能通过堆叠组合来创建新的计算逻辑。

原语的核心价值

特征工程领域存在无限可能的特征组合方式。通过将常见的特征工程计算分解为原语组件，Featuretools能够捕获人类创建特征时的底层结构模式。原语具有两大核心优势：

1. 跨领域复用性：由于只约束数据类型，原语可以将某个领域的计算逻辑迁移到其他领域。例如"事件间平均时间间隔"这个特征在交易日志分析中非常有用，Featuretools通过组合time_since_previous和mean两个原语就能实现。

2. 参数化枚举：原语可以快速生成多种有意义的特征变体。例如对"上次事件时间间隔"可以生成均值、最大值、最小值、标准差等多种统计特征。

原语类型详解

Featuretools中有两种主要的原语类型：

聚合原语(Aggregation Primitives)

• 输入：相关实例集合
• 输出：单个汇总值
• 应用场景：跨实体集(EntitySet)中的父子关系
• 示例：count、sum、avg_time_between

转换原语(Transform Primitives)

• 输入：一个或多个数据列
• 输出：新的数据列
• 应用场景：单表数据转换
• 示例：hour、time_since_previous、absolute

内置原语使用

Featuretools提供了丰富的内置原语，可以通过以下方式查看：

import featuretools as ft

# 列出所有原语及其描述
ft.list_primitives().head(5)

# 查看原语的统计摘要
ft.summarize_primitives()

自定义原语开发

当内置原语不能满足需求时，用户可以自定义原语，步骤如下：

1. 确定原语类型（聚合或转换）
2. 定义输入输出数据类型
3. 编写计算函数
4. 添加约束属性

简单自定义示例

绝对值转换原语：

class Absolute(TransformPrimitive):
    name = "absolute"
    input_types = [ColumnSchema(semantic_tags={"numeric"})]
    return_type = ColumnSchema(semantic_tags={"numeric"})

    def get_function(self):
        def absolute(column):
            return abs(column)
        return absolute

最大值聚合原语：

class Maximum(AggregationPrimitive):
    name = "maximum"
    input_types = [ColumnSchema(semantic_tags={"numeric"})]
    return_type = ColumnSchema(semantic_tags={"numeric"})

    def get_function(self):
        def maximum(column):
            return max(column)
        return maximum

多输入原语示例

有些原语需要多个输入特征，例如计算周日均值的原语：

class MeanSunday(AggregationPrimitive):
    name = "mean_sunday"
    input_types = [
        ColumnSchema(semantic_tags={"numeric"}),
        ColumnSchema(logical_type=Datetime),
    ]
    return_type = ColumnSchema(semantic_tags={"numeric"})

    def get_function(self):
        def mean_sunday(numeric, datetime):
            days = pd.DatetimeIndex(datetime).weekday.values
            df = pd.DataFrame({"numeric": numeric, "time": days})
            return df[df["time"] == 6]["numeric"].mean()
        return mean_sunday

实际应用建议

1. 先探索后计算：使用features_only=True参数先查看特征定义，确认无误后再计算特征矩阵
2. 命名规范：原语名称支持snake_case、camelCase和TitleCase三种格式
3. 组合威力：通过简单原语的组合可以创建复杂特征，这是Featuretools的核心优势
4. 可视化辅助：使用graph_feature函数可视化特征生成过程

通过理解和灵活运用特征原语，可以大幅提升特征工程的效率和质量，为机器学习模型提供更强大的特征支持。