Bỏ qua đến nội dung chính
Mục lục

Feature từ ngày, binning bằng KBinsDiscretizer, tương tác

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 4/11 · Chương 9

Feature engineering và Pipeline

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

KBinsDiscretizer chia một cột số thành các nhóm liền nhau, để model tuyến tính có một hệ số riêng cho từng khoảng giá trị. Bài này dùng nó cùng hai kỹ thuật hay đi kèm: tạo feature từ ngày và nhân hai cột thành feature tương tác. Dữ liệu là 3.000 đơn giả lập của một ứng dụng giao hàng ở ba thành phố.

Cần biết trước: to_datetime, thuộc tính .dt và feature engineering.

Feature từ cột ngày

Một ngày như 2026-05-23 là một con số rất lớn đối với model, và gần như vô dụng ở dạng thô. Thông tin có ích nằm trong các phần của nó: thứ mấy trong tuần, tháng nào, cách một mốc bao nhiêu ngày. Bảng giao hàng chỉ có cột cuoi_tuan, nên khối dưới đây dựng một cột ngày đặt đơn khớp với cột đó (cuối tuần rơi vào thứ Bảy hoặc Chủ nhật), rồi tách ba feature:

python
import numpy as np
import pandas as pd

d = pd.read_csv("thoi_gian_giao_hang.csv")
rng = np.random.default_rng(0)
tuan = rng.integers(0, 13, len(d))
thu = np.where(d["cuoi_tuan"] == 1, rng.integers(5, 7, len(d)),
               rng.integers(0, 5, len(d)))
mo_ban = pd.Timestamp("2026-03-02")
ngay = pd.Series(mo_ban + pd.to_timedelta(7 * tuan + thu, unit="D"))
f = pd.DataFrame({"ngay_dat": ngay, "thu": ngay.dt.dayofweek,
                  "thang": ngay.dt.month,
                  "so_ngay": (ngay - mo_ban).dt.days})
print(f.head(3))
print((f["thu"] >= 5).astype(int).equals(d["cuoi_tuan"]))

KẾT QUẢ

    ngay_dat  thu  thang  so_ngay
0 2026-05-23    5      5       82
1 2026-04-27    0      4       56
2 2026-04-18    5      4       47
True

dt.dayofweek cho 0 là thứ Hai và 6 là Chủ nhật, nên thu >= 5 dựng lại đúng cột cuoi_tuan (dòng True). dt.month cho tháng. Hiệu hai ngày là một Timedelta, và .dt.days đổi nó thành số ngày từ ngày mở bán. Nếu dữ liệu có xu hướng theo thời gian, như ứng dụng giao nhanh dần khi có thêm tài xế, feature này cho model bắt được xu hướng đó; ngày đặt trong bảng giả lập này được rải ngẫu nhiên, nên ở đây nó chỉ là ví dụ cách tính. Đổi ngay.dt.month thành ngay.dt.day rồi chạy lại: cột thang giờ là ngày trong tháng, dòng đầu in 5 23.

Chia nhóm số bằng KBinsDiscretizer

Cột gio_dat là số từ 7 đến 22. Thời gian giao tăng ở hai đỉnh, giờ trưa và giờ tan tầm, rồi giảm lại. Một model tuyến tính chỉ có một hệ số cho cột này, tức một đường thẳng, nên không thể đi lên rồi xuống hai lần. KBinsDiscretizer chia khoảng giờ thành các nhóm và mặc định mã hóa one hot từng nhóm, để mỗi nhóm có hệ số riêng:

python
import pandas as pd
from sklearn.linear_model import Ridge
from sklearn.model_selection import KFold, cross_val_score
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import KBinsDiscretizer
d = pd.read_csv("thoi_gian_giao_hang.csv")
X, y = d[["gio_dat"]], d["thoi_gian_giao_phut"]
chia = KFold(5, shuffle=True, random_state=0)
so_gio = cross_val_score(Ridge(), X, y, cv=chia)
nhom = KBinsDiscretizer(n_bins=8, strategy="uniform")
pipe = make_pipeline(nhom, Ridge())
chia_nhom = cross_val_score(pipe, X, y, cv=chia)
print("R² giờ dạng số:", abs(round(so_gio.mean(), 3)))
print("R² giờ chia nhóm:", round(chia_nhom.mean(), 3))
print(nhom.fit(X).bin_edges_[0].round(2))

KẾT QUẢ

R² giờ dạng số: 0.0
R² giờ chia nhóm: 0.062
[ 7.    8.88 10.75 12.62 14.5  16.38 18.25 20.12 22.  ]

Ở dạng số, giờ đặt không giải thích được gì: R² bằng 0, tức model đoán không hơn việc lấy thời gian giao trung bình cho mọi đơn. Trung bình năm fold thật ra là −0,0003, nên abs bỏ dấu trừ mà phép làm tròn để lại. Chia thành 8 nhóm, nó giải thích được khoảng 6% độ biến thiên của thời gian giao, phần lớn còn lại nằm ở khoảng cách và thời tiết. strategy="uniform" chia khoảng từ giờ nhỏ nhất tới lớn nhất thành các đoạn rộng bằng nhau; bin_edges_ là các ranh giới đã học. Đổi n_bins=8 thành n_bins=15 rồi chạy lại: mỗi nhóm rộng một giờ và dòng hai in 0.069.

Khác với pd.cut chạy trên cả bảng, KBinsDiscretizer học ranh giới lúc fit, nên trong pipeline nó chỉ nhìn phần train của mỗi fold, và dữ liệu mới được chia theo đúng các ranh giới đó.

Feature tương tác: nhân hai cột

Giờ cao điểm ngày thường làm tài xế chậm lại. Chậm đi một phần tốc độ thì đơn xa mất thêm nhiều phút hơn đơn gần: tác động của cao điểm lớn dần theo khoảng cách. Một model cộng chỉ có thể cộng thêm một số phút cố định cho cao điểm. Cột tích km × cao_diem cho nó thêm một hệ số "mỗi km trong giờ cao điểm":

python
import pandas as pd
from sklearn.linear_model import Ridge
from sklearn.model_selection import KFold, cross_val_score
d = pd.read_csv("thoi_gian_giao_hang.csv")
y = d["thoi_gian_giao_phut"]
cao_diem = (d["gio_dat"].isin([11, 12, 17, 18, 19])
            & (d["cuoi_tuan"] == 0))
X = pd.DataFrame({"km": d["khoang_cach_km"],
                  "cao_diem": cao_diem.astype(int)})
X_tt = X.assign(km_x_cao_diem=X["km"] * X["cao_diem"])
chia = KFold(5, shuffle=True, random_state=0)
for B in (X, X_tt):
    r2 = cross_val_score(Ridge(), B, y, cv=chia)
    print(list(B.columns), round(r2.mean(), 3))

KẾT QUẢ

['km', 'cao_diem'] 0.622
['km', 'cao_diem', 'km_x_cao_diem'] 0.65

Cột tích nâng R² trung bình từ 0,622 lên 0,65 trên cùng các fold. Với cột 0 và 1 như cao_diem, cột tích bằng khoảng cách trong giờ cao điểm và bằng 0 ngoài giờ đó. Hai cột số bất kỳ cũng nhân được, nhưng mỗi cột tích nên có một lý do nghiệp vụ như ở đây.

Kiểm tra nhanh

  1. Sau import pandas as pd, pd.Series(pd.to_datetime(["2026-03-07"])).dt.dayofweek.tolist() cho kết quả gì?

    • [7]
    • [5]
    • [6]
  2. Train có giờ đặt từ 10 đến 14. KBinsDiscretizer(n_bins=2, encode="ordinal", strategy="uniform") học trên train. Một đơn đặt lúc 20 giờ thuộc nhóm nào?

    • Báo lỗi vì 20 nằm ngoài khoảng của train
    • Nhóm 0
    • Nhóm 1, nhóm cuối
  3. Ví dụ nào là feature tương tác đúng nghĩa?

    • Khoảng cách nhân với cột 0 và 1 cho biết giờ cao điểm
    • Khoảng cách đổi từ km sang mét
    • Giờ đặt chia thành 8 nhóm
  4. Model báo trước thời gian giao lúc khách đặt đơn. Cột nào dùng được làm feature?

    • Khoảng cách từ quán đến khách
    • Số món trong đơn
    • Số phút tài xế chờ ở quán
    • Đánh giá của khách sau khi nhận hàng
Đúng hết lần đầu +15 XP

Bài tập

Chia giờ đặt thành nhóm theo train

Viết thân hàm nhom_gio(train, moi, so_nhom): học một KBinsDiscretizer với n_bins=so_nhom, encode="ordinal", strategy="uniform" trên cột gio_dat của train, rồi chia cột gio_dat của moi theo ranh giới đó. Hàm không sửa hai bảng.

Trả về: số nhóm của từng dòng trong moi, bắt đầu từ 0, một ndarray số nguyên.

Ví dụ với gio_dat của train là 7, 10, 13, 16, 19, 22 và của moi là 8, 12, 15, 21, 22: nhom_gio(train, moi, 3) là array([0, 1, 1, 2, 2]).

python
from sklearn.preprocessing import KBinsDiscretizer

def nhom_gio(train, moi, so_nhom):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • Một cột ngày cho ra nhiều feature: dt.dayofweek (0 là thứ Hai), dt.month, và số ngày từ một mốc qua (ngay - moc).dt.days.

  • KBinsDiscretizer chia cột số thành nhóm, mặc định one hot, để model tuyến tính học được quan hệ lên xuống như hai đỉnh giờ cao điểm.

  • Nó học ranh giới lúc fit; giá trị ngoài khoảng của train rơi vào nhóm đầu hoặc nhóm cuối.

  • Feature tương tác là tích hai cột, dùng khi tác động của cột này đổi theo cột kia.

  • Mỗi feature phải có sẵn tại lúc dự đoán; cột chỉ biết sau đó cho điểm đẹp giả.

Câu hỏi thường gặp

Nên chọn strategy nào cho KBinsDiscretizer?

"uniform" chia đoạn rộng bằng nhau, hợp với cột có ý nghĩa theo đơn vị như giờ trong ngày. "quantile" (mặc định) chia sao cho mỗi nhóm có số dòng gần bằng nhau, hợp với cột lệch như chi tiêu. "kmeans" đặt ranh giới theo các cụm giá trị. Hãy so các lựa chọn bằng cross validation trên phần train, để tập test chỉ dùng một lần ở cuối.

Tạo feature từ ngày cho model cây có cần không?

Cây không đọc được kiểu ngày, nên vẫn phải tách thứ, tháng, số ngày từ mốc. Cây tự chia cột số thành khoảng, nên với cây thường không cần KBinsDiscretizer.

Thứ trong tuần nên để dạng số 0 đến 6 hay one hot?

Với model tuyến tính, one hot hợp hơn, vì thứ Bảy không "lớn hơn" thứ Sáu theo nghĩa nào ảnh hưởng tới thời gian giao. Với model cây, dạng số dùng được. Bài one hot encoding giải thích lý do.

Thêm nhiều cột tương tác có hại không?

Mỗi cặp cột cho một cột tích, nên số cột tăng rất nhanh, và model dễ học thuộc nhiễu. Chỉ thêm cột tích khi có lý do nghiệp vụ, như cao điểm làm chậm theo quãng đường, rồi đo bằng cùng các fold như bài feature engineering.

Chủ đề

kbinsdiscretizer

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập