Ingeniería de características

La ingeniería de características transforma las columnas crudas en representaciones que los modelos pueden aprender. La codificación de categóricas, el escalado de numéricas y la composición de transformaciones con ColumnTransformer son los patrones centrales para el ML tabular.

Receta

Tarjeta de receta de referencia rápida, lista para copiar y pegar.

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
 
preprocessor = ColumnTransformer([
    ("num", StandardScaler(), numeric_cols),
    ("cat", OneHotEncoder(handle_unknown="ignore"), categorical_cols),
])
pipe = Pipeline([("prep", preprocessor), ("clf", RandomForestClassifier())])

Cuándo usar esto:

Columnas numéricas y categóricas mixtas en el mismo conjunto de datos.
Modelos sensibles a la escala de características (SVM, regresión logística, redes neuronales en datos tabulares).
Categóricas de alta cardinalidad que necesitan hashing o codificación de destino.
Preprocesamiento reproducible empaquetado con el modelo para su implementación.

Ejemplo de trabajo

"""feature_engineering.py - preprocesamiento de tipos mixtos con ColumnTransformer."""
from __future__ import annotations
 
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
 
df = pd.DataFrame({
    "age": [25, 34, 45, 29, 52],
    "income": [45000, 62000, 88000, 51000, 95000],
    "city": ["nyc", "la", "nyc", "chicago", "la"],
    "plan": ["basic", "pro", "pro", "basic", "enterprise"],
    "churned": [0, 0, 1, 0, 1],
})
 
X = df.drop(columns=["churned"])
y = df["churned"]
numeric_cols = ["age", "income"]
categorical_cols = ["city", "plan"]
 
preprocessor = ColumnTransformer(
    transformers=[
        ("num", StandardScaler(), numeric_cols),
        ("cat", OneHotEncoder(handle_unknown="ignore", sparse_output=False), categorical_cols),
    ],
    remainder="drop",
)
 
pipe = Pipeline([
    ("prep", preprocessor),
    ("clf", GradientBoostingClassifier(random_state=42)),
])
 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)
pipe.fit(X_train, y_train)
print(classification_report(y_test, pipe.predict(X_test)))

Lo que esto demuestra:

Diferentes transformaciones aplicadas a grupos de columnas numéricas y categóricas.
OneHotEncoder con handle_unknown="ignore" para seguridad en producción.
sparse_output=False para salida densa compatible con modelos de árboles y lineales.
Serialización completa de la canalización: el preprocesamiento viaja con el clasificador.

Inmersión profunda

Cómo funciona

Escalado centra y escala las columnas numéricas para que los modelos basados en gradientes converjan más rápido.
Codificación one-hot expande las categóricas en columnas indicadoras binarias por categoría.
ColumnTransformer ejecuta cada subtransformador en sus columnas asignadas y concatena los resultados.
Pipelines llaman a fit en los datos de entrenamiento por cada pliegue de CV, evitando la fuga de estadísticas.
Los nombres de características se pueden recuperar con get_feature_names_out() después de ajustar.

Transformaciones comunes

Transformación	Tipo de columna	Clase sklearn
Escalado estándar	Numérico	`StandardScaler`
Escalado Min-Max	Numérico acotado	`MinMaxScaler`
Transformación logarítmica	Numérico sesgado	`FunctionTransformer(np.log1p)`
One-hot	Categórica de baja cardinalidad	`OneHotEncoder`
Ordinal	Categorías ordenadas	`OrdinalEncoder`
Imputación	Valores faltantes	`SimpleImputer`

Notas de Python

from sklearn.preprocessing import FunctionTransformer
import numpy as np
 
log_transform = FunctionTransformer(np.log1p, validate=False)
# Encadenar imputación antes del escalado en la rama numérica:
from sklearn.impute import SimpleImputer
from sklearn.pipeline import Pipeline as SkPipeline
 
numeric_pipe = SkPipeline([
    ("impute", SimpleImputer(strategy="median")),
    ("scale", StandardScaler()),
])

Errores comunes

Ajustar en datos completos - calcular la media/std o las listas de categorías a partir de filas de prueba filtra información. Solución: ajustar dentro de una canalización en pliegues de entrenamiento solamente.
Categorías no vistas en la inferencia - los nuevos valores de categoría bloquean un OneHotEncoder simple. Solución: handle_unknown="ignore" o handle_unknown="infrequent_if_exist".
Fuga de codificación de destino - codificar categorías con la media de destino usando todos los datos infla las puntuaciones de CV. Solución: usar TargetEncoder dentro de una canalización con CV adecuado.
Escalar modelos de árboles innecesariamente - los bosques aleatorios y el aumento de gradiente son invariantes a la escala. Solución: omitir el escalado para conjuntos de árboles; aún así codificar las categóricas.
One-hot de alta cardinalidad - miles de columnas dummy ralentizan el entrenamiento y sobreajustan. Solución: hashing (FeatureHasher), codificación de frecuencia o embeddings.
Explosión polinómica - PolynomialFeatures(degree=3) en 20 columnas crea miles de características. Solución: limitar el grado, usar selección de características o modo de solo interacción.

Alternativas

Alternativa	Usar cuándo	No usar cuándo
`ColumnTransformer`	Tipos de columna mixtos en un modelo	Todas las columnas son del mismo tipo (usar un solo transformador)
`pandas.get_dummies`	EDA rápida en notebooks	Canalizaciones de producción (no serializable, sin manejo de desconocidos)
Codificación de destino	Categóricas de alta cardinalidad con suficientes datos	Conjuntos de datos pequeños (riesgo severo de sobreajuste)
Hashing de características	Cardinalidad muy alta, restricciones de memoria	Necesitas nombres de características interpretables

Preguntas frecuentes

¿Por qué usar ColumnTransformer en lugar de operaciones manuales de pandas?

Serializable con joblib para implementación.
Se integra con Pipeline y validación cruzada sin fugas.
Maneja categorías desconocidas y valores faltantes de manera consistente en la inferencia.

¿Debo escalar características para RandomForest?

Los modelos de árboles se dividen por orden de rango; el escalado no cambia las divisiones.
Aún así, codifica categóricas e imputa valores faltantes.
Escala para regresión logística, SVM y k-NN en el mismo conjunto de datos.

¿Cómo obtengo los nombres de las características después de la codificación one-hot?

pipe.fit(X_train, y_train)
names = pipe.named_steps["prep"].get_feature_names_out()
print(list(names))

Los nombres siguen el patrón cat__city_nyc, num__age.

¿Qué significa remainder="drop"?

Las columnas no listadas en ningún transformador se descartan.
Usa remainder="passthrough" para mantener las columnas no listadas tal cual.
Las listas de columnas explícitas evitan la inclusión accidental de columnas de ID.

¿Cómo manejo los valores faltantes?

from sklearn.impute import SimpleImputer
num_pipe = Pipeline([("impute", SimpleImputer(strategy="median")), ("scale", StandardScaler())])

Imputa antes de escalar: escalar en columnas NaN falla.
strategy="most_frequent" funciona para la imputación categórica con SimpleImputer +p tipo de cadena.

¿Cuándo debería usar OrdinalEncoder vs OneHotEncoder?

Ordinal para categorías con orden natural (bajo/medio/alto).
One-hot para categorías nominales sin orden (nombres de ciudades).
Los modelos de árboles manejan ordinales codificados como etiquetas; los modelos lineales prefieren one-hot.

¿Puedo aplicar funciones personalizadas de pandas?

Usa FunctionTransformer para envolver cualquier función compatible con numpy.
Evita cierres que capturan estado externo; rompen la serialización.
Prefiere los incorporados de sklearn cuando estén disponibles.

¿Cómo ingenierizo características de fecha?

df["order_year"] = df["order_date"].dt.year
df["order_dow"] = df["order_date"].dt.dayofweek

Extrae año, mes, día de la semana, es fin de semana como columnas numéricas.
Descarta la columna datetime cruda de las entradas del modelo.

¿Qué pasa con las columnas de texto?

ML Clásico: TfidfVectorizer en una rama de ColumnTransformer.
Era LLM: precalcula embeddings y almacena como columnas numéricas.
Ver Embeddings y Similitud para características basadas en embeddings.

¿Cómo evito la fuga de datos con la codificación de destino?

Nunca calcules medias de destino usando el conjunto de datos completo antes de dividir.
Usa category_encoders.TargetEncoder dentro de una Pipeline con CV.
O calcula las codificaciones solo dentro de cada pliegue de CV.

¿Debería normalizar o estandarizar?

Estandariza (StandardScaler) cuando las características tienen diferentes unidades y escalas.
Normaliza (MinMaxScaler) cuando necesitas entradas acotadas [0,1].
RobustScaler para conjuntos de datos con valores atípicos.

¿Cómo inspecciono la forma de la salida transformada?

Xt = preprocessor.fit_transform(X_train)
print(Xt.shape)  # filas x características codificadas totales

One-hot expande columnas: 3 categorías se convierten en 3 columnas binarias.

Relacionado

Pipelines - encadenamiento de transformaciones y modelos
Conjuntos de datos y divisiones - ajustar transformaciones solo en entrenamiento
Aprendizaje supervisado - necesidades de preprocesamiento específicas del modelo
Datos desequilibrados - remuestreo dentro de pipelines
Aumento de gradiente - modelos de árboles y categóricas

Versiones de la pila: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.

Ingeniería de características

Receta

Tarjeta de receta de referencia rápida, lista para copiar y pegar.

from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
 
preprocessor = ColumnTransformer([
    ("num", StandardScaler(), numeric_cols),
    ("cat", OneHotEncoder(handle_unknown="ignore"), categorical_cols),
])
pipe = Pipeline([("prep", preprocessor), ("clf", RandomForestClassifier())])

Cuándo usar esto:

Columnas numéricas y categóricas mixtas en el mismo conjunto de datos.
Modelos sensibles a la escala de características (SVM, regresión logística, redes neuronales en datos tabulares).
Categóricas de alta cardinalidad que necesitan hashing o codificación de destino.
Preprocesamiento reproducible empaquetado con el modelo para su implementación.

Ejemplo de trabajo

"""feature_engineering.py - preprocesamiento de tipos mixtos con ColumnTransformer."""
from __future__ import annotations
 
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
 
df = pd.DataFrame({
    "age": [25, 34, 45, 29, 52],
    "income": [45000, 62000, 88000, 51000, 95000],
    "city": ["nyc", "la", "nyc", "chicago", "la"],
    "plan": ["basic", "pro", "pro", "basic", "enterprise"],
    "churned": [0, 0, 1, 0, 1],
})
 
X = df.drop(columns=["churned"])
y = df["churned"]
numeric_cols = ["age", "income"]
categorical_cols = ["city", "plan"]
 
preprocessor = ColumnTransformer(
    transformers=[
        ("num", StandardScaler(), numeric_cols),
        ("cat", OneHotEncoder(handle_unknown="ignore", sparse_output=False), categorical_cols),
    ],
    remainder="drop",
)
 
pipe = Pipeline([
    ("prep", preprocessor),
    ("clf", GradientBoostingClassifier(random_state=42)),
])
 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.4, random_state=42)
pipe.fit(X_train, y_train)
print(classification_report(y_test, pipe.predict(X_test)))

Lo que esto demuestra:

Diferentes transformaciones aplicadas a grupos de columnas numéricas y categóricas.
OneHotEncoder con handle_unknown="ignore" para seguridad en producción.
sparse_output=False para salida densa compatible con modelos de árboles y lineales.
Serialización completa de la canalización: el preprocesamiento viaja con el clasificador.

Inmersión profunda

Cómo funciona

Escalado centra y escala las columnas numéricas para que los modelos basados en gradientes converjan más rápido.
Codificación one-hot expande las categóricas en columnas indicadoras binarias por categoría.
ColumnTransformer ejecuta cada subtransformador en sus columnas asignadas y concatena los resultados.
Pipelines llaman a fit en los datos de entrenamiento por cada pliegue de CV, evitando la fuga de estadísticas.
Los nombres de características se pueden recuperar con get_feature_names_out() después de ajustar.

Transformaciones comunes

Transformación	Tipo de columna	Clase sklearn
Escalado estándar	Numérico	`StandardScaler`
Escalado Min-Max	Numérico acotado	`MinMaxScaler`
Transformación logarítmica	Numérico sesgado	`FunctionTransformer(np.log1p)`
One-hot	Categórica de baja cardinalidad	`OneHotEncoder`
Ordinal	Categorías ordenadas	`OrdinalEncoder`
Imputación	Valores faltantes	`SimpleImputer`

Notas de Python

from sklearn.preprocessing import FunctionTransformer
import numpy as np
 
log_transform = FunctionTransformer(np.log1p, validate=False)
# Encadenar imputación antes del escalado en la rama numérica:
from sklearn.impute import SimpleImputer
from sklearn.pipeline import Pipeline as SkPipeline
 
numeric_pipe = SkPipeline([
    ("impute", SimpleImputer(strategy="median")),
    ("scale", StandardScaler()),
])

Errores comunes

Ajustar en datos completos - calcular la media/std o las listas de categorías a partir de filas de prueba filtra información. Solución: ajustar dentro de una canalización en pliegues de entrenamiento solamente.
Categorías no vistas en la inferencia - los nuevos valores de categoría bloquean un OneHotEncoder simple. Solución: handle_unknown="ignore" o handle_unknown="infrequent_if_exist".
Fuga de codificación de destino - codificar categorías con la media de destino usando todos los datos infla las puntuaciones de CV. Solución: usar TargetEncoder dentro de una canalización con CV adecuado.
Escalar modelos de árboles innecesariamente - los bosques aleatorios y el aumento de gradiente son invariantes a la escala. Solución: omitir el escalado para conjuntos de árboles; aún así codificar las categóricas.
One-hot de alta cardinalidad - miles de columnas dummy ralentizan el entrenamiento y sobreajustan. Solución: hashing (FeatureHasher), codificación de frecuencia o embeddings.
Explosión polinómica - PolynomialFeatures(degree=3) en 20 columnas crea miles de características. Solución: limitar el grado, usar selección de características o modo de solo interacción.

Alternativas

Alternativa	Usar cuándo	No usar cuándo
`ColumnTransformer`	Tipos de columna mixtos en un modelo	Todas las columnas son del mismo tipo (usar un solo transformador)
`pandas.get_dummies`	EDA rápida en notebooks	Canalizaciones de producción (no serializable, sin manejo de desconocidos)
Codificación de destino	Categóricas de alta cardinalidad con suficientes datos	Conjuntos de datos pequeños (riesgo severo de sobreajuste)
Hashing de características	Cardinalidad muy alta, restricciones de memoria	Necesitas nombres de características interpretables

Preguntas frecuentes

¿Por qué usar ColumnTransformer en lugar de operaciones manuales de pandas?

Serializable con joblib para implementación.
Se integra con Pipeline y validación cruzada sin fugas.
Maneja categorías desconocidas y valores faltantes de manera consistente en la inferencia.

¿Debo escalar características para RandomForest?

Los modelos de árboles se dividen por orden de rango; el escalado no cambia las divisiones.
Aún así, codifica categóricas e imputa valores faltantes.
Escala para regresión logística, SVM y k-NN en el mismo conjunto de datos.

¿Cómo obtengo los nombres de las características después de la codificación one-hot?

pipe.fit(X_train, y_train)
names = pipe.named_steps["prep"].get_feature_names_out()
print(list(names))

Los nombres siguen el patrón cat__city_nyc, num__age.

¿Qué significa remainder="drop"?

Las columnas no listadas en ningún transformador se descartan.
Usa remainder="passthrough" para mantener las columnas no listadas tal cual.
Las listas de columnas explícitas evitan la inclusión accidental de columnas de ID.

¿Cómo manejo los valores faltantes?

from sklearn.impute import SimpleImputer
num_pipe = Pipeline([("impute", SimpleImputer(strategy="median")), ("scale", StandardScaler())])

Imputa antes de escalar: escalar en columnas NaN falla.
strategy="most_frequent" funciona para la imputación categórica con SimpleImputer +p tipo de cadena.

¿Cuándo debería usar OrdinalEncoder vs OneHotEncoder?

Ordinal para categorías con orden natural (bajo/medio/alto).
One-hot para categorías nominales sin orden (nombres de ciudades).
Los modelos de árboles manejan ordinales codificados como etiquetas; los modelos lineales prefieren one-hot.

¿Puedo aplicar funciones personalizadas de pandas?

Usa FunctionTransformer para envolver cualquier función compatible con numpy.
Evita cierres que capturan estado externo; rompen la serialización.
Prefiere los incorporados de sklearn cuando estén disponibles.

¿Cómo ingenierizo características de fecha?

df["order_year"] = df["order_date"].dt.year
df["order_dow"] = df["order_date"].dt.dayofweek

Extrae año, mes, día de la semana, es fin de semana como columnas numéricas.
Descarta la columna datetime cruda de las entradas del modelo.

¿Qué pasa con las columnas de texto?

ML Clásico: TfidfVectorizer en una rama de ColumnTransformer.
Era LLM: precalcula embeddings y almacena como columnas numéricas.
Ver Embeddings y Similitud para características basadas en embeddings.

¿Cómo evito la fuga de datos con la codificación de destino?

Nunca calcules medias de destino usando el conjunto de datos completo antes de dividir.
Usa category_encoders.TargetEncoder dentro de una Pipeline con CV.
O calcula las codificaciones solo dentro de cada pliegue de CV.

¿Debería normalizar o estandarizar?

Estandariza (StandardScaler) cuando las características tienen diferentes unidades y escalas.
Normaliza (MinMaxScaler) cuando necesitas entradas acotadas [0,1].
RobustScaler para conjuntos de datos con valores atípicos.

¿Cómo inspecciono la forma de la salida transformada?

Xt = preprocessor.fit_transform(X_train)
print(Xt.shape)  # filas x características codificadas totales

One-hot expande columnas: 3 categorías se convierten en 3 columnas binarias.

Relacionado

Pipelines - encadenamiento de transformaciones y modelos
Conjuntos de datos y divisiones - ajustar transformaciones solo en entrenamiento
Aprendizaje supervisado - necesidades de preprocesamiento específicas del modelo
Datos desequilibrados - remuestreo dentro de pipelines
Aumento de gradiente - modelos de árboles y categóricas

Versiones de la pila: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.

Ingeniería de características

Buscar en la documentación

Ingeniería de características