文章目录 一、特征工程（FS） 二、task3代码-feature engineering 三、问题 四、总结 五、Ref. 一、特征工程（FS） 大致可分为两部分：预处理与特征选择（Feature selection）部分 二、task3代码-feature engineering 【Datawhale】[task3]3.3代码示例 三、问题 1、特征构造 # 训练集和测试集利用concat放在一起，方便构造特征？ Train_data['train']=1 Test_data['train']=0#这是各自新增加了一列'train'吗？？ data=pd.concat([Train_data,Test_data],ignore_index=True) # 忽略索引 2、分桶（箱）的结果？？ 四、总结 1、先分享几个Jupyter的常用快捷键， 用起来炒鸡便利：
本文介绍了数据挖掘任务中针对二手车交易价格预测的特征工程过程，包括预处理和特征选择。分享了使用Jupyter的快捷键、pandas的to_datetime函数以及如何通过箱线图识别并处理异常值。同时强调了数据分箱后的分布观察和归一化的重要性，以及在相关性分析中的应用。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
