安装完成后，调包的过程一般只需要如下一句，这就像import numpy as np一样，而后续的所有操作都是基于ft这个主入口的：
import featuretools as ft
当然，在具体使用之前，这里还是要先简单介绍下featuretools的基本设计和原理。简单来说，featuretools是用于从若干原始数据表中自动化提取特征的一个工具，以论文中的电商订单的例子为例：需要统计对各客户构建特征，所使用的数据表有两张，一个是客户基本信息表，例如年龄、性别、工资收入等；另一个是订单信息表，其中包含了每笔订单的金额、产生订单的客户等。显然，这里客户信息表和订单信息表之间的关联关系是客户ID，且一个客户ID可对应多笔订单。
以这两张表为基础，如果是手工构建特征，那么基本流程大概就是对订单表进行聚合统计，例如每个客户的总消费金额、订单笔数等统计信息，而后将该聚合统计表与客户基本信息表进行横向join，得到特征宽表。当然，在此基础上，还可以进一步地对客户基本信息和订单统计信息进行交叉衍生，例如订单消费总金额/年龄，这里先姑且不讨论特征衍生的合理性与否以及量纲的问题。下图是论文中的一幅示意图，可供端倪一二
同样的特征构建思想，featuretools罗列了这期间的所有可能需要的特征构建算子，并设置了迭代构建的深度：max_depth。
这里首先介绍特征构建算子。在featuretools中，特征构建算子分为两大类：transform和aggregation，字面意思也可理解：tansform用于特征的衍生，例如从特征A和B衍生特A+B；aggregation用于聚合统计特征，例如在上述的订单表中对同一客户的所有订单进行count、对订单金额进行sum，这些都是aggregation操作。完整的特征构建算子可用如下方法调用显示：
特征构建算子在featuretools中称作primitive——基于
其次介绍特征构建深度的问题：max_depth。例如对于客户基本信息表中有A、B、C、D四个特征，那么A+B和C-D都是depth=1的衍生特征，而（A+B）*（C-D）则是depth=2的衍生特征，以此类推。正因如此，featuretools中的特征构建算法叫做Deep Feature Synthesis，即深度特征合成。
如上就是一些关于featuretools的基本设计的简要介绍，更为详尽的理论和使用还需查阅论文或其他资料。下面给出一个简单的demo，同时测试其效果情况，这里以sklearn中的breast_cancer数据集为例：
1.导入数据，构建DataFrame格式的数据集
dataset = load_breast_cancer() X = dataset.data y = dataset.target feature_names = dataset.feature_names df = pd.DataFrame(X, columns=feature_names)
2.调用featuretools，构建数据集实体，并设置特征构建基元，调用dfs方法（深度特征合成）：
es = ft.EntitySet(id='breast_cancer') # 用id标识实体集 # 增加一个数据框，命名为iris es.entity_from_dataframe(entity_id='breast_cancer', dataframe=df, index='idx', make_index=True) trans_primitives=['add_numeric', 'multiply_numeric'] # 取任意两列组合的相加和相乘，衍生新的特征 XNew, new_names = ft.dfs(entityset=es, target_entity='breast_cancer', max_depth=1, # max_depth=1，只在原特征上进行运算产生新特征 verbose=1, trans_primitives=trans_primitives )
3.通过train_test_split方式切分训练集和验证集，调用sklearn中的决策树算法，分别测试特征构建前后的分类效果（这里选取10次默认参数的平均值）
X_train, X_test, XNew_train, XNew_test, y_train, y_test = train_test_split(X, XNew, y) np.mean([DecisionTreeClassifier().fit(X_train, y_train).score(X_test, y_test) for _ in range(10)]) # 0.9342657342657343 np.mean([DecisionTreeClassifier().fit(XNew_train, y_train).score(XNew_test, y_test) for _ in range(10)]) # 0.9468531468531468
可以看到，经过特征合成后的数据集，分类效果相较于之前有了大约1%的提升。当然，sklearn中的数据集本身都是比较好的数据集，即默认情况下就能取得不错的效果，另外这里的测试结果也具有随机性。
