单特征 NDCG
能计算模型的 NDCG，也就能计算单特征的 NDCG，用于评估单特征的有效性，跟 Group AUC 用途一样
单特征 NDCG 如何衡量好坏
如果是 AUC，越大于或小于 0.5，特征越有效，但 NDCG 没有这个特点，NDCG 都是正的，而且，样本正负比例不同，NDCG 的值也不同，变化很大。那么在同样的样本下，就需要有个基准用来说明好坏。
一个可靠的方案是把随机数作为一个特征，以其 NDCG 为基准，比随机数 NDCG 高得越多，特征就越有效。
为什么要打散
有些离散化的特征在一个 qid 里区分度不高，例如某个特征在 10 个样本只有 3 个值，这时计算的 NDCG 结果就非常依赖初始序，初始序最完美时得出的 NDCG 也偏高，初始序最差时得出的 NDCG 也最差。所以公平起见，需要先将原始样本打散，再计算 NDCG。
基准 NDCG，要用到随机数。
特征 NDCG，随机打散，可以用随机数，也可以用 linux 命令 shuf
好用的 NDCG 计算工具
基准 NDCG
假如样本特征数据格式为：
label qid score
字段间以空格分隔
NDCG 计算：
awk '{printf "%s %s %s\n",$1,$2,rand()}' sample.txt | sort -t" " -k2,2 | python NDCG.py 20
注意到这里以随机数 rand 替换了原文件中的特征值 score
单特征 NDCG
先全部打散，再根据 qid 聚合并计算 NDCG
打散有两种方式。
最简单的是用 linux 命令 shuf：
shuf sample.txt | sort -t" " -k2,2 -s | python NDCG.py 20
麻烦点儿的是使用随机数打散（刚开始不知道 shuf 命令，用的是这种方式）：
awk '{printf "%s\t%f\n",$0,rand()}' sample.txt | sort -k4n,4 | cut -f1| sort -t" " -k2,2 -s | python NDCG.py 20
解释：
awk '{printf "%s\t%f\n",$0,rand()}' --在最后一列加随机数，不用空格而用 \t 分隔的目的是为了后面好用 cut 去除随机数这一列
sort -k4n,4 --将样本按随机数排序，实现打散 cut -f1 --去除随机数一列 sort -t" " -k2,2 -s --只按第二列排序（-k2,2），且是稳定排序（-s 的作用），即若第二列相同，就不用重排了附记
使用 sort 命令打散时踩了两个坑：
如果只想按第二列排序，sort 的 -k 参数一定要是 -k2,2，不能是 -k2，不然 sort 排序时会把第三列也算上，这样前面打散就失效了
如果想要稳定排序，即当第二列相同时，不做重新序，以在 qid 内保持随机打散的序，要记得使用 -s 参数