招商银行2022FinTech数据赛道总结

比赛链接：FinTech精英训练营官方网站。
第一次参加这种比赛，真的学到了不少东西，感谢其他大佬在交流群里的无私分享，小白又了解到了很多可以学习的东西。这次比赛排名还是很拉的，A榜只有0.952，B榜只有0.723，综合排名应该到了快400名吧。但不管怎么说，既然参加了这次比赛，还学习了很多东西，还是值得好好整理一下的。

文章目录

招商银行2022FinTech数据赛道总结
- 1. 比赛简介
- 2. 可提高的地方
- - （1）探索性分析
  - （2）数据预处理
  - - 数据类型转换
    - 缺失值处理
    - 异常值处理
    - 数据规范化
    - 重采样
  - （3）特征工程
  - - 特征过滤
    - 特征交叉
    - 特征选择

1. 比赛简介

数据是结构化的表格数据，一共49个属性（不含ID和标签），但没有具体的属性介绍，标签是二分类。

竞赛时间：4月29日9:00-5月12日17:00；

竞赛流程：4月29日9:00-5月9日24:00，赛题开放A榜数据（test_A榜），预测结果数据每天限提交3次；5月10日00:00-5月12日17:00，赛题开放B榜数据（test_B榜），预测结果数据每天限提交3次。重复提交或提交格式错误均扣除有效提交次数，请谨慎提交答案，结果提交后请务必点击“运行”按钮，方可查看当前个人排名。

排行榜依据“最终得分”计算排名，“最终得分”计算公式为：A榜最高分 * 0.3 + B榜最高分 * 0.7。“最终得分”越大，成绩排名越前。

注：AUC这个指标和准确率不一样，它受到样本不均衡的影响很小，对正负比例不敏感，因此。只要是AUC做评价指标的，基本都不需要考虑正负样本比例的问题。

2. 可提高的地方

每一列的含义可以参考往年的资料进行分析→招商银行2020FinTech精英训练营数据赛道参赛回顾。

（1）探索性分析

之前都是使用pandas-profiling，这次数据出问题就跳过了EDA的步骤，但赛后换了一个eda的包之后就能用了。所以也先mark在这：

通用：pandas-profiling、SweetViz；
Notebook上：LUX、AutoViz。

EDA可以分析的内容：

样本数量、数据字段的异常值、缺失值；
数据（含标签）字段的类型及其分布、字段和标签的分布关系；
字段之间的相关性分析；
有时间特征的可以按不同时间窗口划分观察；
训练集和测试集的分布差异。

（2）数据预处理

数据类型转换

数值型变量：转为float

有序型分类变量：使用LabelEncoder()编码；

无序型分类变量：使用独热编码。

缺失值处理

将“？”字段统一替换为Nan缺失值；

可以考虑将所有数值特征统一减2，“2”应该是出题方为了脱敏进行的变换，个人之前没有减是觉得“2”已经代表了一种属性，没必要调整，但未来遇到这样的情况获取可以考虑进行类似的变换。

填充方法：

删除：当缺失值的个数只占整体很小一部分的时候，可直接删除缺失值（行）
填补：
- 前填充/后填充：method=‘ffill’—前填充；method=‘bfill’–后填充；
- 均值、中位数、众数填充：fillna(df[‘XX’].mean()) # .mean()或.median()或.mode()
- 插值法：计算的是缺失值前一个值和后一个值的平均数：df[‘XX’] = df[‘XX’].interpolate()；
拟合：
- 回归填补：利用线性回归对缺失值进行填补；
- 随机森林填充：对于一个有n个特征的数据来说，其中特征T有缺失，我们就将特征T当作标签，其他n-1个特征和原来的标签组成新的特征矩阵。对于特征T来说，他没有缺失的部分就是我们的y_train，这部分对应的标签就是X_train，缺失部分就是我们需要预测的部分，也即是y_predict，这部分对应的标签就是X_test，对于数据中有多个特征缺失的情况，需要从缺失值最少的特征开始填补（填补缺失值越少的特征需要的准确信息越少）。当填补一个特征时，将其他特征的缺失值用0代替，依次填补直到所有特征填补完全。

此外，还可以考虑用随机森林进行填充。

异常值处理

采用3σ原则或者孤立森林方法进行异常值检测。

处理：可以考虑将过大、过小的值都限定到一个上限和下限。

数据规范化

可选：最大-最小归一化、标准化、中心化，其中min-max不改变数据分布，标准化改变数据分布（具体看所选取的算法要求）；

重采样

过采样/欠采样：目的是为了平衡类别。

目前没有实践，有看到采用imblearn库来做的。eg：from imblearn.over_sampling import RandomOverSampler

（3）特征工程

特征过滤

基础：去除共线性：将相互之间热力值高（相关性高于0.9）的特征列去掉，仅保留一列（根据结果决定）；

过滤法：方差过滤法+卡方检验法/F检验法/互信息法；

特征过滤主要是对冗余特征进行处理，常见处理方法有方差法、卡方检验法、F检验法、装代法、包裹法等，其中常用的组合为方差过滤法和F检验法，卡尔检验法常用来处理线性关系，F检验法即可以用来线性关系，还可以用来处理非线性关系。

找“毒特”（删除训练集与测试集分布不一致的特征）：

通过对抗验证的思路找到auc指标远大于0.5的特征进行删除；
删除其他和“毒特”相关性较高的特征。

特征交叉

对于任何两列相关系数在指定范围（0.3~0.8）内的特征做交叉衍生；

采用暴力全集特征交叉（二阶、加减乘除）、group组合提取偏离值特征以及数值变量与类别变量交叉（三阶）；

类别变量组合特征，连续变量排序特征，trd和beh中提取tfidf和word2vec特征，交易聚集度特征等；

cate类交叉，num类分桶（等频、等宽、卡方）

使用featuretools这个包把三个表连接起来，基于“ 深度特征合成 ”的方法来自动生成特征。生成完之后大概500多维。参考资料：https://zhuanlan.zhihu.com/p/43630912、https://www.cnblogs.com/wkang/p/103。

手工特征。

特征选择

使用LGB+shap或者+rfe的方法进行筛选，具体可见：特征选择方法总结。