scikit learn 决策树的数据准备答案

【问题标题】：Data preparation for scikit learn decision treescikit learn 决策树的数据准备
【发布时间】：2016-08-12 07:20:03
【问题描述】：

我正在尝试为 scikit learn 准备数据集，计划构建 pandas 数据框以将其提供给决策树分类器。

这些数据代表具有不同标准的不同公司，但某些标准可以有多个值 - 例如“客户群” - 对于任何给定的公司，它可以是以下任何一个或全部：SMB、中型市场、企业等。还有其他类似的标准/列具有多个可能的值。我需要根据个人价值而非总体价值做出决策 - 因此 A 公司针对 SMB，A 公司针对 Midmarket，而不是针对 SMB 和 Midmarket 客户 A 的“分组”。

是否有关于如何处理此问题的指导？我是否需要为给定公司的每个变体生成行以输入到学习程序中？这样的输入：

Company,Segment
A,SMB:MM:ENT

变成：

A, SMB
A, MM
A, ENT

以及可能来自其他标准/列的任何其他变体 - 例如也可能包含多个值的“客户垂直”？看起来这将大大增加数据集的大小。有没有更好的方法来构建这些数据和/或处理这种情况？

我的最终目标是让用户通过简单的问题完成一个简短的调查，并将他们的回答映射到价值，以预测“正确”的公司，对于给定的细分市场、垂直、产品类别等。但我'我正在努力构建正确的学习数据集来实现这一目标。

【问题讨论】：

标签： python pandas machine-learning scikit-learn

【解决方案1】：

让我们试试吧。

df = pd.DataFrame({'company':['A','B'], 'segment':['SMB:MM:ENT', 'SMB:MM']})
expended_segment = df.segment.str.split(':', expand=True)
expended_segment.columns = ['segment'+str(i) for i in range(len(expended_segment.columns))]
wide_df = pd.concat([df.company, expended_segment], axis=1)
result = pd.melt(wide_df, id_vars=['company'], value_vars=list(set(wide_df.columns)-set(['company'])))
result.dropna()

【讨论】：

谢谢，虽然这确实解决了将子类别扩展到单个行的“机械”方面，但我的基本问题是 - 是否需要这样的扩展？还是有另一种方法来准备这些数据，然后再将其提供给将获得有效结果的决策树？也许我需要重新表述我的问题以使这方面更清楚，但是您的代码是有效的，并且在需要时可以正确扩展分组标准。