如何在scikit中对分类数据使用一个热门编码器？

Question

我有以下阵列（实际上是一个熊猫数据帧，其具有的阵列状的数据结构），它类似于以下内容：

[ 
    ['M', 4, 15] 
    ['M', 3, 7] 
    ['F', 5, 9] 
    ['I', 4, 15] 
] 

我要预处理该数据，所以我可以在直线用它回归。 我相信这样做的方法是使用一个热编码器：http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html#sklearn.preprocessing.OneHotEncoder。

但是，只有类别是整数才有效。

我相信你可以使用DictVectorizer做到这一点：http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.DictVectorizer.html#sklearn.feature_extraction.DictVectorizer

然而，这似乎只为字典，而不是数组。

Answer 1

地图您的类别为整数类似下面的代码：

def tokenize(data, col_of_category): 
    str_to_int, int_to_str = {}, {} 
    for row in data: 
     cat = row[col_of_category] 
     if cat in str_to_int.keys(): token = str_to_int[cat] 
     else: 
      token = len(str_to_int.keys()) 
      str_to_int[cat] = token 
      int_to_str[token] = cat 
     row[col_of_category] = token # assuming your rows are mutable 
    return str_to_int, int_to_str 

然后，您可以使用返回的字典来管理未来的映射和取消映射。您可以使用OneHotEncoder。你的算法不关心涉及的字符串。

Answer 2

比方说，你的数据帧df是这样的：

>>> df 
    col1 col2 col3 
0 M  4 15 
1 M  3  7 
2 F  5  9 
3 I  4 15 

对于转换col1成独热编码向量，就可以使用熊猫get_dummies方法。

>>> df = pd.get_dummies(df, columns=['col1']) 
>>> df 
    col2 col3 col1_F col1_I col1_M 
0  4 15  0  0  1 
1  3  7  0  0  1 
2  5  9  1  0  0 
3  4 15  0  1  0