出租公寓推荐系统1-特征工程

抓回来的原始数据格式很不好，mysql表结构如下

浏览内容如下

可以看到不算是数字的还是文字的内容，保存下来全部都是字符格式的，这不行，不管内容是文字，数字，图片，声音，视频或者其它什么格式，数据特征必须是可量化的可计算的数值。

接下来要进行特征选择，用哪些特征(或属性)来表示一个出租公寓的信息。仔细看一下就能很容易的分析出来，title字段是在网页上显示信息的，内容是多个其它字段的组合，特征中去掉 title字段。pay_unit内容全部一样，有和没有一样，特征中去掉 pay_unit字段。特征中去掉phone字段，无意义字段。overage字段(剩作房间数)，本项目不涉及到在线订房功能，本字段信息无效，特征中去掉 overage字段。images字段是图片信息，本项目不涉及图片识别功能，无法把图片信息量化成数字，所以放弃，特征中去掉 images字段。

到此为止，我们完成了最基础的工作，把数据中一些无用无意义的字段信息去掉了，留下来的都是要用到的。

大部分的数据特征都是比较明显的，例如：单价，楼层，区域，也有一些数据特征不太明显，需要多个特征计算得来或者更复杂，例发：增长率，激活率等等，找到越多的有效的数据特征，那就能更详细的描述这个物品，能不能找到更多的特征，是看你对业务是不是足够的了解，了解的越深，就能找到越多的数据特征。

接下来，要把字些数据特征转换成可量化的数字。苦活，累活(脏活)开始了。

flats_name公寓名字，理论上是可以用NLP来处理，TFIDF来算一下权重，但数据查看后，公寓的名字都很独立，不做处理，放弃。

flats_property内容只有‘合租’，‘整租’这两种情况，枚举类型，例如：1-男，2-女。换成数字表示1-合租，2-整租。数字可以是任意的，30，100，999都可以，只要区别开就行。

city,area,place字段和flats_property字段情况一样，枚举类型，数字表示即可。

price_start和price_end字段是数字，不用处理。

tag,house_config,service这3个字段是一种类型，多选类型，处理这种信息有2种办法，一种是用NLP的方式来处理，TFIDF比较，就相当于已经分好词的文字内容；另一种方式就是分散化处理，每个关键词内容变成一个新数据特征，用数字来表示它的意义，例发：新加一个字段house_chuang来表示house_config中是否有‘床’，0表示没有，1表示有，包含‘床’的数据house_chuang是1，不包含的是0。

update_time时间格式变成时间戳即可，例如：1521183472。

house_area取出平米数即可，不要后面的单位。

room和floor情况类型，同tag情况差不多，我们把room拆成3个新的特征，室，厅，卫，floor拆成2个特征公寓所在楼层，和总楼层。

traffic因为爬虫的原因，没有处理好，放弃。

house_detail要保留，虽然我不认为这个对想租公寓的人有什么用，但还是要保存，用TFIDF来处理。

map_info中最重要的要把经纬度取出来保留，其它的就不需要了。注意精度。

deposit和room类似，全是有很多空数据，默认改成‘押一付三’，之后处理方式和room相同。

基本上是处理完成了，最后的数据格式是这样的

`_id` bigint(20) NOT NULL AUTO_INCREMENT,
`price_start` smallint(6) unsigned NOT NULL COMMENT '租金下限',
`price_end` smallint(6) unsigned NOT NULL COMMENT '租金上限',
`house_area` smallint(5) unsigned NOT NULL COMMENT '房屋面积',
`flats_property_i` tinyint(4) unsigned NOT NULL COMMENT '公寓性质(1,合租、2,整租) ',
`city_i` tinyint(4) unsigned NOT NULL COMMENT '城市',
`area_i` smallint(5) unsigned NOT NULL COMMENT '所在区域(朝阳区、丰台区',
`place_i` smallint(5) unsigned NOT NULL COMMENT '所在地(朝阳公园、国贸 ',
`shi` tinyint(3) unsigned NOT NULL COMMENT '几室',
`ting` tinyint(3) unsigned NOT NULL COMMENT '几厅',
`wei` tinyint(3) unsigned NOT NULL COMMENT '几卫',
`floor_i` tinyint(3) unsigned NOT NULL COMMENT '总楼层',
`floor_zhu_i` tinyint(3) unsigned NOT NULL COMMENT '当前楼层',
`loc` point DEFAULT NULL COMMENT '经纬度(纬，经)',
`deposit_ya` tinyint(3) unsigned NOT NULL COMMENT '房租押金',
`deposit_pay` tinyint(3) unsigned NOT NULL COMMENT '交几个月的房租',
`s_jsf` tinyint(1) NOT NULL DEFAULT '0' COMMENT '健身房',
`s_gycs` tinyint(1) NOT NULL DEFAULT '0' COMMENT '公寓超市 ',
`s_znms` tinyint(1) NOT NULL DEFAULT '0' COMMENT '智能门锁 ',
`s_atm` tinyint(1) NOT NULL DEFAULT '0' COMMENT 'ATM机 ',
`s_dskd` tinyint(1) NOT NULL DEFAULT '0' COMMENT '代收快递',
`s_zskf` tinyint(1) NOT NULL DEFAULT '0' COMMENT ' 专属客服',
`s_fjqj` tinyint(1) NOT NULL DEFAULT '0' COMMENT ' 房间清洁',
`s_24hba` tinyint(1) NOT NULL DEFAULT '0' COMMENT '24H安保 ',
`s_bjwx` tinyint(1) NOT NULL DEFAULT '0' COMMENT '保洁维修 ',
`s_sqhd` tinyint(1) NOT NULL COMMENT '社区活动',
`c_chuang` tinyint(1) NOT NULL DEFAULT '0' COMMENT '床 ',
`c_yigui` tinyint(1) NOT NULL DEFAULT '0' COMMENT '衣柜 ',
`c_shuzhuo` tinyint(1) NOT NULL DEFAULT '0' COMMENT '书桌 ',
`c_kongtiao` tinyint(1) NOT NULL DEFAULT '0' COMMENT '空调 ',
`c_canzhuo` tinyint(1) NOT NULL DEFAULT '0' COMMENT '餐桌 ',
`c_nuanqi` tinyint(1) NOT NULL DEFAULT '0' COMMENT '暖气 ',
`c_tv` tinyint(1) NOT NULL DEFAULT '0' COMMENT '电视机 ',
`c_ranqi` tinyint(1) NOT NULL DEFAULT '0' COMMENT '燃气 ',
`c_wbl` tinyint(1) NOT NULL DEFAULT '0' COMMENT '微波炉 ',
`c_dcl` tinyint(1) NOT NULL DEFAULT '0' COMMENT '电磁炉 ',
`c_rsq` tinyint(1) NOT NULL DEFAULT '0' COMMENT '热水器 ',
`c_xyj` tinyint(1) NOT NULL DEFAULT '0' COMMENT '洗衣机 ',
`c_bx` tinyint(1) NOT NULL DEFAULT '0' COMMENT '冰箱 ',
`c_wifi` tinyint(1) NOT NULL DEFAULT '0' COMMENT 'WIFI ',
`c_sf` tinyint(1) NOT NULL DEFAULT '0' COMMENT '沙发 ',
`c_cg` tinyint(1) NOT NULL DEFAULT '0' COMMENT '橱柜 ',
`c_yyj` tinyint(1) NOT NULL DEFAULT '0' COMMENT '油烟机',

数据看上去是这样子的，应该全部都是数字

具体的格式我会直接上传到github上。

在data目录下我已经把数据导入成了一个csv文件，gongyu.1.csv，可以直接操作这个文件来处理了。

还有重要的一步没有做，那就是数据标准化(归一化)，如果要计算公寓的相似性，就必须要进行这一步操作，不然相似性计算不准确。代码很简单，在jupyter notebook上都有。

import pandas as pd
out=pd.read_csv('./data/gongyu.1.csv',index_col = '_id')

del out['update_time_i']

from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
out_train_minmax = min_max_scaler.fit_transform(out)

到这里我们前期的处理算是完成了。

下一篇马上就来了，敬请期待.......

推荐系统实战-出租公寓项目1-数据特征工程

出租公寓推荐系统1-特征工程