我正在尝试了解如何将分类数据用作sklearn.linear_model 的LogisticRegression 中的特征。
我明白我当然需要对其进行编码。
我不明白的是如何将编码的特征传递给 Logistic 回归，以便将其作为分类特征处理，而不是解释它在编码为标准可量化特征时得到的 int 值。
（不太重要）有人可以解释使用preprocessing.LabelEncoder()、DictVectorizer.vocabulary 还是仅使用简单的字典自己对分类数据进行编码之间的区别？ Alex A.'s comment here 涉及主题但不是很深入。
尤其是第一个！
【问题讨论】：
标签： python scikit-learn regression data-modeling logistic-regression
这是完全不同的类：
[DictVectorizer][2].vocabulary_
将特征名称映射到特征索引的字典。
i.e After fit() DictVectorizer 具有所有可能的特征名称，现在它知道它将在哪个特定列中放置特征的特定值。所以DictVectorizer.vocabulary_ 包含特征的indicies，但不包含值。
LabelEncoder 将每个可能的标签（标签可以是字符串或整数）映射到某个整数值，并返回这些整数值的一维向量。
【讨论】：
您可以为不同的类别创建指标变量。例如：
animal_names = {'mouse';'cat';'dog'}
Indicator_cat = strcmp(animal_names,'cat')
Indicator_dog = strcmp(animal_names,'dog')
那么我们有：
[0 [0
Indicator_cat = 1 Indicator_dog = 0
0] 1]
您可以将这些连接到您的原始数据矩阵中：
X_with_indicator_vars = [X, Indicator_cat, Indicator_dog]
请记住，如果数据矩阵中包含常数项，则保留一个没有指示符的类别！否则，您的数据矩阵将不会是全列排名（或在计量经济学术语中，您有多重共线性）。
[1 1 0 0
1 0 1 0
1 0 0 1]
注意常数项、鼠标指示符、猫指示符和狗指示符如何导致小于满列的秩矩阵：第一列是最后三列的总和。
【讨论】：
n 维向量空间？ （例如，将动物名称映射到二维向量空间（高度、重量））。但是，如果您想将每个类别视为自己独特的类别，这就是您（通常用于回归）必须做的事情。如果您假设效果可以因类别而异，那么您的类别中的所有交互项也必须与其他回归量相同。也许sklearn会在幕后为你做这件事（我不知道），但这可能就是会发生的事情。
假设每个分类变量的类型是“对象”。首先，您可以创建一个分类列名称的panda.index：
import pandas as pd
catColumns = df.select_dtypes(['object']).columns
然后，您可以使用下面的 for 循环创建指标变量。对于二元分类变量，使用LabelEncoder() 将其转换为0 和1。对于超过两个类别的分类变量，使用pd.getDummies()获取指标变量，然后删除一个类别（避免多重共线性问题）。
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
for col in catColumns:
n = len(df[col].unique())
if (n > 2):
X = pd.get_dummies(df[col])
X = X.drop(X.columns[0], axis=1)
df[X.columns] = X
df.drop(col, axis=1, inplace=True) # drop the original categorical variable (optional)
else:
le.fit(df[col])
df[col] = le.transform(df[col])
【讨论】：