[人工智能]Tensorflow -- feature_column

特征列通常用于对结构化数据实施特征工程时候使用，图像或者文本数据一般不会用到特征列。

1. 特征列用法

使用特征列可以将类别型特征转换为 one-hot 编码特征，将连续型特征构建成分桶特征，以及对多个特征生成交叉特征等。

要创建特征列，请调用 tf.feature_column 模块的函数。该模块中常用的九个函数如下图所示，所有九个函数都会返回一个 Categorical-Column 或一个 Dense-Column 对象，但却不会返回 bucketized_column，后者继承至这两个类。

注意：所有的 Catogorical Column 类型最终都要通过 indicator_column 转换成 Dense Column 类型才能传入模型！

详细解释：

• numerical_column 数值列，最为常用。
• bucketized_column 分桶列，是由数值列生成，可以由一个数值列生成多个特征， one-hot 编码。
• categorical_column_with_vocabulary_list 分类词汇列列， one-hot 编码，由 list 指定词典。
• categorical_column_with_vocabulary_file 分类词汇列，由文件 file 指定词典。
• categorical_column_with_hash_bucket 哈希列，整数或词典较大时采用。
• indicator_column 指标列，由 Categorical Column 生成， one-hot 编码。
• embedding_column 嵌入列，由 Categorical Column 生成，嵌入矢量分布参数需要学习。嵌入矢量维数建议取类别数量的 4 次方根。
• crossed_column 交叉列，可以由除 categorical_column_with_hash_bucket 的任意分类列构成。

2.特征列使用案例

以下是一个使用特征列解决 Titanic 生存问题的完整案例。

import datetime
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers,models


#打印日志
def printlog(info):
    nowtime = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    print("\n"+"=========="*8 + "%s"%nowtime)
    print(info+'...\n')
    
#======================================================
#  					1.构建数据管道
#======================================================
printlog("step1: prepare dataset...")
dftrain_raw = pd.read_csv("./data/titanic/train.csv")
dftest_raw = pd.read_csv("./data/titanic/test.csv")
dfraw = pd.concat([dftrain_raw,dftest_raw])


def prepare_dfdata(dfraw):
    dfdata = dfraw.copy()
    dfdata.columns = [x.lower() for x in dfdata.columns]
    dfdata = dfdata.rename(columns={'survived':'label'})
    dfdata = dfdata.drop(['passengerid','name'],axis = 1)
    for col,dtype in dict(dfdata.dtypes).items():
    # 判断是否包含缺失值
    if dfdata[col].hasnans:
        # 添加标识是否缺失列
        dfdata[col + '_nan'] = pd.isna(dfdata[col]).astype('int32')
        # 填充
        if dtype not in [np.object,np.str,np.unicode]:
        	dfdata[col].fillna(dfdata[col].mean(),inplace = True)
        else:
        	dfdata[col].fillna('',inplace = True)
    return(dfdata)


dfdata = prepare_dfdata(dfraw)
dftrain = dfdata.iloc[0:len(dftrain_raw),:]
dftest = dfdata.iloc[len(dftrain_raw):,:]


# 从 dataframe 导?数据
def df_to_dataset(df, shuffle=True, batch_size=32):
    dfdata = df.copy()
    if 'label' not in dfdata.columns:
    	ds = tf.data.Dataset.from_tensor_slices(dfdata.to_dict(orient='list'))
    else:
        labels = dfdata.pop('label')
        ds = tf.data.Dataset.from_tensor_slices((dfdata.to_dict(orient='list'),labels))
    if shuffle:
    	ds = ds.shuffle(buffer_size=len(dfdata))
    ds = ds.batch(batch_size)
    return ds

ds_train = df_to_dataset(dftrain)
ds_test = df_to_dataset(dftest)


#======================================================
#  					2.定义特征列
#======================================================
printlog("step2: make feature columns...")
feature_columns = []

# 数值列
for col in ['age','fare','parch','sibsp']+[c for c in dfdata.columns if c.endswith('_nan')]:
	feature_columns.append(tf.feature_column.numeric_column(col))

# 分桶列
age = tf.feature_column.numeric_column('age')
age_buckets = tf.feature_column.bucketized_column(age,boundaries=[18,25,30,35,40,45,50,55,60,65])
feature_columns.append(age_buckets)

# 类别列
# 注意：所有的 Catogorical Column 类型最终都要通过 indicator_column 转换成 Dense Column 类型才能传?模型！！
sex=tf.feature_column.indicator_column(tf.feature_column.categorical_column_with_vocabulary_list(
	key='sex',vocabulary_list=["male", "female"]))
feature_columns.append(sex)

pclass=tf.feature_column.indicator_column(tf.feature_column.categorical_column_with_vocabulary_list(
	key='pclass',vocabulary_list=[1,2,3]))
feature_columns.append(pclass)

ticket=tf.feature_column.indicator_column(tf.feature_column.categorical_column_with_hash_bucket('ticket', 3))
feature_columns.append(ticket)

embarked=tf.feature_column.indicator_column(tf.feature_column.categorical_column_with_vocabulary_list(key='embarked',vocabulary_list=['S','C','B']))
feature_columns.append(embarked)

# 嵌?列
cabin=tf.feature_column.embedding_column(tf.feature_column.categorical_column_with_hash_bucket('cabin',32), 2)
feature_columns.append(cabin)

# 交叉列
pclass_cate=tf.feature_column.categorical_column_with_vocabulary_list(key='pclass', vocabulary_list=[1,2,3])
crossed_feature=tf.feature_column.indicator_column(tf.feature_column.crossed_column(
    [age_buckets, pclass_cate], hash_bucket_size=15))
feature_columns.append(crossed_feature)


#======================================================
#  					3.定义模型
#======================================================
printlog("step3: define model...")

tf.keras.backend.clear_session()


model = tf.keras.Sequential([
    # 将特征列放入 tf.keras.layers.DenseFeatures 中!!!
    layers.DenseFeatures(feature_columns), 
    layers.Dense(64, activation='relu'),
    layers.Dense(64, activation='relu'),
    layers.Dense(1, activation='sigmoid')
])


#======================================================
#  					4.训练模型
#======================================================
printlog("step4: train model...")

model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
history = model.fit(ds_train,validation_data=ds_test,epochs=10)


#======================================================
#  					5.评估模型
#======================================================
printlog("step5: eval model...")

model.summary()

%matplotlib inline
%config InlineBackend.figure_format = 'svg'

import matplotlib.pyplot as plt

def plot_metric(history, metric):
    train_metrics = history.history[metric]
    val_metrics = history.history['val_'+metric]
    epochs = range(1, len(train_metrics) + 1)
    plt.plot(epochs, train_metrics, 'bo--')
    plt.plot(epochs, val_metrics, 'ro-')
    plt.title('Training and validation '+ metric)
    plt.xlabel("Epochs")
    plt.ylabel(metric)
    plt.legend(["train_"+metric, 'val_'+metric])
    plt.show()
    
plot_metric(history,"accuracy")

Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_features (DenseFeature multiple 64
_________________________________________________________________
dense (Dense) multiple 3008
_________________________________________________________________
dense_1 (Dense) multiple 4160
_________________________________________________________________
dense_2 (Dense) multiple 65
=================================================================
Total params: 7,297
Trainable params: 7,297
Non-trainable params: 0
__________________________________