Featuretools 学习2 - 使用EntitySets表示数据

EntitySet

EntitySet是实体及其之间关系的集合。它们对为特征工程准备原始结构化的数据集很有用。虽然Featuretools中很多函数将entities和relationships作为单独的参数，但建议创建一个EntitySet，以便自己可以更轻松地操作数据。

原始数据

两个与客户交易相关的数据表（表示为Pandas DataFrames）
第一个是transactions，sessions和customers的合并，视觉效果如下：

第二个DataFrame是这些transactions包含的一系列产品。

创建一个EntitySet

首先，初始化一个EntitySet。如果想为其命名，就可以选择向构造函数提供一个id。

添加entities

首先将transactions dataframe作为一个entity load。

这种方法load的dataframe中的每一列看作一个variable。

调用entity_from_dataframe时，指定了3个重要参数：
index：指定列，该列能够唯一标识dataframe中的行；
time_index：告知Featuretools何时创建数据；
variable_types：指定“product_id”应解释为分类变量，即便它是基础数据中的整数。
同样，也可以对products dataframe做同样操作。

以上，在当前的entity set中有两个entities，可以在它们之间建立关系。

添加关系

希望通过每个entity中“product_id”列来关联两个实体。每个product都有与其关联的多个transactions，因此将product实体称为父实体，transaction实体称为子实体。当指定关系时，首先在父实体中列出变量。注意： ft.Relationship必须表示一对多的关系，而不是一对一或者多对多关系。

从现有表中创建实体

处理原始数据时，通常有足够的信息来证明创建新实体的合理性。为了sessions创建新的实体和关系，将transaction实体“normalize”。

上面呈现了两步操作，第一步是基于transactions中的“session_id”和“session_start”变量，创建了一个名为“sessions”的新实体；第二步是增加了transactions和sessions之间的关联。通过查看transactions中的变量和新的sessions实体，可以发现其他两个自动执行的操作。

第一个操作是从transactions中删除了“device”、“customer_id”、“zip_code”、
“join_date”，并在sessions实体中创建了一个新变量。这减少了冗余信息，因为sessions的那些属性在transactions之间不会更改。
第二个操作是将“session_start”作为时间索引变量复制并标记到新的sessions实体中，以指示session的开始。如果基础实体具有时间索引，并且没有设置make_time_index，则规范化实体将为新实体创建时间索引。在这种情况下，它将使用每个会话的第一个事务的时间创建一个称为“first_transactions_time”的新时间索引。如果我们不希望创建此时间索引，则可以设置make_time_index=False。可视化数据如下：

为了完整准备数据集，以相同的方式创建customers实体。

使用EntitySet

最后，就可以调用Featuretools中的任何functionality使用EntitySet了。比如，为数据集中的每个product创建一个特征矩阵。

DFS生成的特征使用了实体集合中的关系结构。因此，仔细考虑生成的实体是很重要的。
参考官方链接：Representating Data with EntitySets