如何在原数据集上构建相关特征 写出python代码

在构建相关特征时，通常需要对原始数据集进行预处理和分析。Python中有许多库可以辅助这一过程，如Pandas用于数据处理，NumPy用于数值计算，而Scikit-learn则提供了一些高级功能。下面是一个简单的例子，假设我们有一个包含用户购买记录的数据集，我们要创建一些相关的特征：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 假设 data 是 DataFrame，包含 'user_id', 'product_id', 'category', 'quantity' 等列

# 1. 计算每个用户的购买总数量
data['total_quantity'] = data.groupby('user_id')['quantity'].transform('sum')

# 2. 用户购买频次
data['purchase_frequency'] = data.groupby('user_id').size()

# 3. 新增类别编码特征（如果类别型）
le = LabelEncoder()
data['category_encoded'] = le.fit_transform(data['category'])

# 4. 列组合特征（例如，最常购买的产品）
data['most_common_product'] = data.groupby('user_id')['product_id'].transform('mode').astype(int)

# 5. 时间序列相关特征 (如：用户在过去一段时间内的平均购买量)
time_window = 7 # 一周的时间窗口
data['rolling_avg'] = data['quantity'].rolling(time_window).mean().shift(time_window - 1)

# 这只是一个基本示例，实际特征会根据数据具体情况调整