OA0 ›
代码 ›
Feature-engine 兼容sklearn的特征工程与特征选择工具库
Feature-engine 兼容sklearn的特征工程与特征选择工具库
brave · 2026-03-04 15:00:14 · 5 次点击 · 0 条评论Feature-engine
| 开源状态 |   |
| 教程 |  |
| 代码 |    |
| 下载量 |  ){kind=icon} |
| 项目信息 |   |
| 文档 |  |
| 引用 |   |
| 测试 |    |
Feature-engine 是一个 Python 库，提供多种转换器，用于为机器学习模型进行特征工程和特征选择。
Feature-engine 的转换器遵循 Scikit-learn 的 API 设计，具有 fit() 和 transform() 方法，可以从数据中学习转换参数，然后进行数据转换。
包含 Feature-engine 的相关资源
关于 Feature-engine 的博客文章
文档
嘿！你是怎么找到我们的？
我们想让更多人了解 Feature-engine。如果你能告诉我们你是如何发现我们的，那将对我们帮助很大。
这样我们就能知道哪些方式有效，以及通过哪些渠道来分享这个项目。
请通过回答 1 个快速问题来分享你的故事
点击此链接
。 😃
当前 Feature-engine 的转换器涵盖以下功能：
- 缺失数据填补
- 分类变量编码
- 离散化
- 异常值封顶或移除
- 变量转换
- 变量创建
- 变量选择
- 日期时间特征
- 文本特征
- 时间序列
- 预处理
- 缩放
- Scikit-learn 包装器
缺失值填补方法
- MeanMedianImputer
- ArbitraryNumberImputer
- RandomSampleImputer
- EndTailImputer
- CategoricalImputer
- AddMissingIndicator
- DropMissingData
编码方法
- OneHotEncoder
- OrdinalEncoder
- CountFrequencyEncoder
- MeanEncoder
- WoEEncoder
- RareLabelEncoder
- DecisionTreeEncoder
- StringSimilarityEncoder
离散化方法
- EqualFrequencyDiscretiser
- EqualWidthDiscretiser
- GeometricWidthDiscretiser
- DecisionTreeDiscretiser
- ArbitraryDiscreriser
异常值处理方法
- Winsorizer
- ArbitraryOutlierCapper
- OutlierTrimmer
变量转换方法
- LogTransformer
- LogCpTransformer
- ReciprocalTransformer
- ArcsinTransformer
- PowerTransformer
- BoxCoxTransformer
- YeoJohnsonTransformer
- ArcSinhTransformer
变量缩放方法
- MeanNormalizationScaler
变量创建：
- MathFeatures
- RelativeFeatures
- CyclicalFeatures
- DecisionTreeFeatures
- GeoDistanceFeatures
特征选择：
- DropFeatures
- DropConstantFeatures
- DropDuplicateFeatures
- DropCorrelatedFeatures
- SmartCorrelationSelection
- ShuffleFeaturesSelector
- SelectBySingleFeaturePerformance
- SelectByTargetMeanPerformance
- RecursiveFeatureElimination
- RecursiveFeatureAddition
- DropHighPSIFeatures
- SelectByInformationValue
- ProbeFeatureSelection
- MRMR
日期时间
- DatetimeFeatures
- DatetimeSubtraction
- DatetimeOrdinal
文本特征
- TextFeatures
时间序列
- LagFeatures
- WindowFeatures
- ExpandingWindowFeatures
流水线
- Pipeline
- make_pipeline
预处理
- MatchCategories
- MatchVariables
包装器：
- SklearnTransformerWrapper
安装
通过 PyPI 使用 pip 安装：
pip install feature_engine
通过 Anaconda 安装：
conda install -c conda-forge feature_engine
或者直接克隆仓库：
git clone https://github.com/feature-engine/feature_engine.git
使用示例
>>> import pandas as pd
>>> from feature_engine.encoding import RareLabelEncoder
>>> data = {'var_A': ['A'] * 10 + ['B'] * 10 + ['C'] * 2 + ['D'] * 1}
>>> data = pd.DataFrame(data)
>>> data['var_A'].value_counts()
Out[1]:
A 10
B 10
C 2
D 1
Name: var_A, dtype: int64
>>> rare_encoder = RareLabelEncoder(tol=0.10, n_categories=3)
>>> data_encoded = rare_encoder.fit_transform(data)
>>> data_encoded['var_A'].value_counts()
Out[2]:
A 10
B 10
Rare 3
Name: var_A, dtype: int64
在我们的 Jupyter Notebook 示例库
或文档 中可以找到更多示例。
贡献
有关如何贡献的详细信息，请参阅 贡献页面
简要步骤如下：
- Fork 本仓库
- 将你的 fork 克隆到本地计算机：
git clone https://github.com/<YOURUSERNAME>/feature_engine.git
- 进入仓库文件夹
cd feature_engine
- 以开发者模式安装 Feature-engine：
pip install -e .
- 可选：使用任何工具创建并激活虚拟环境
- 安装 Feature-engine 的开发依赖项：
pip install -e ".[tests]"
- 为你的功能创建一个有意义的特性分支：
git checkout -b myfeaturebranch
- 开发你的功能、测试和文档
- 确保测试通过
- 提交 Pull Request
谢谢！！
文档
Feature-engine 文档使用 Sphinx 构建，并托管在 Read the Docs 上。
要构建文档，请确保已安装依赖项：从根目录运行：
pip install -r docs/requirements.txt
现在你可以使用以下命令构建文档：
sphinx-build -b html docs build
许可证
本仓库的内容采用 BSD 3-Clause 许可证 授权。
赞助商
Feature-engine 的开发得到了 Train in Data 的支持。