我想从 CSV 文件导入数据以在 scikit-learn 中使用。它混合了数字数据分类数据，例如
someValue,color,someOtherValue
1.2,red,55.6
1.9,blue,20.5
3.2,red,16.5
我需要将此表示转换为纯数字表示，其中分类数据点被转换为多个二进制列，例如
someValue,colorIsRed,colorIsBlue,someOtherValue
1.2,1,0,55.6
1.9,0,1,20.5
3.2,1,0,16.5
是否有任何实用程序可以为我执行此操作，或者有一种简单的方法来遍历数据并获取此表示？
【问题讨论】：
标签： csv scikit-learn
据我所知，scikit-learn 不提供数据加载功能，但它确实更喜欢 Numpy 数组作为输入。 Numpy 的loadtxt 函数及其converters 参数可用于加载您的csv 并指定每列的类型。但它不会对您的第二列进行二值化。
【讨论】：
在此答案中，我假设您正在尝试将 CSV 转换为 LibSVM、LIBLINEAR 或 scikit-learn 可以加载的文件。
您可以使用csv2libsvm，它是作为Ruby gem 的一部分提供的vector_embed：
$ gem install vector_embed
Successfully installed vector_embed-0.1.0
1 gem installed
你需要 Ruby 1.9+...
$ ruby -v
ruby 1.9.3p374 (2013-01-15 revision 38858) [x86_64-darwin12.2.0]
如果您没有 Ruby 1.9，使用 rvm 安装很容易，不需要（或推荐使用）root：
$ curl -#L https://get.rvm.io | bash -s stable
$ rvm install 1.9.3
成功运行gem install vector_embed 后，请确保您的第一列名为“label”：
$ cat example.csv
label,color,someOtherValue
1.2,red,55.6
1.9,blue,20.5
3.2,red,16.5
$ csv2libsvm example.csv > example.libsvm
$ cat example.libsvm
1.2 1139043:55.6 1997960:1
1.9 1089740:1 1139043:20.5
3.2 1139043:16.5 1997960:1
请注意，它同时处理分类数据和连续数据，并且它使用MurmurHash 版本 3 来生成特征名称（“colorIsBlue”对应于 1089740，“colorIsRed”对应于 1997960...尽管 Ruby 代码确实是散列类似“color\0red”）。
如果您使用的是 svm，请务必按照他们在 "A practical guide to SVM classification" 中的建议来扩展您的数据。
最后，假设您使用的是scikit-learn's svmlight/libsvm loader：
>>> from sklearn.datasets import load_svmlight_file
>>> X_train, y_train = load_svmlight_file("/path/to/example.libsvm")
【讨论】：