使用sklearn.preprocessing.PolynomialFeatures来进行特征的构造。

它是使用多项式的方法来进行的，如果有a，b两个特征，那么它的2次多项式为（1,a,b,a^2,ab, b^2）。

PolynomialFeatures有三个参数

degree：控制多项式的度

interaction_only： 默认为False，如果指定为True，那么就不会有特征自己和自己结合的项，上面的二次项中没有a^2和b^2。

include_bias：默认为True。如果为True的话，那么就会有上面的 1那一项。

代码演示

数据说明：我们使用了游戏数据中的攻击和防御两个特征用来构造多项式特征，使用的多项式为2 

代码：

第一步:导入数据

第二步：分离出[‘Attack’, ‘Defense’]两个特征

第三步：使用 PolynomialFeatures 进行多项式的变化，

第四步：使用pd.DataFrame对获得的列表添加列名，用于展示

 

1.   import numpy as np
2.   import pandas as pd
3.   import matplotlib.pyplot as plt
4.    
5.    
6.   poke_df = pd.read_csv('datasets/Pokemon.csv', encoding='utf-8')
7.   att_de = poke_df[['Attack', 'Defense']]
8.    
9.   # 对att_de进行两两特征之间的多项式特征扩展，可以认为是把特征投向高维
10.   from sklearn.preprocessing import PolynomialFeatures
11.    
12.   #degree 表示多项式的维度，即^2， interaction_only表示是否仅使用a*b,include_bias表示是否引入偏执项1
13.   po = PolynomialFeatures(degree=2, interaction_only=False, include_bias=False)
14.   att_de_po = po.fit_transform(att_de)
15.   print(att_de_po[:5])
16.   # 使用pd.DataFrame将数据转换为pd格式
17.   att_de_po_pd = pd.DataFrame(att_de_po, columns=['Attack', 'Defense', 'Attack^2', 'Att_Def', 'Defense^2'])
18.   print(att_de_po_pd.head())