如何在 scikit 中对分类数据使用一个热编码器？答案

【问题标题】：How to use one hot encoder on categorical data in scikit?如何在 scikit 中对分类数据使用一个热编码器？
【发布时间】：2016-05-08 15:03:13
【问题描述】：

我有以下类似于以下的数组（实际上是一个 Panda 数据帧，它具有类似数组的数据结构）：

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

我希望对这些数据进行预处理，以便在线性回归中使用它。我相信做到这一点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，这仅在类别为整数时才有效。

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

但是，这似乎只适用于字典，而不是数组。

【问题讨论】：

标签： python machine-learning scikit-learn

【解决方案1】：

使用类似于以下的代码将您的类别映射到整数：

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将来的映射和取消映射。然后您可以使用OneHotEncoder。您的算法并不关心是否涉及字符串。

【讨论】：

【解决方案2】：

假设您的数据框 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

要将col1转换为one-hot编码向量，可以使用pandas的@987654324@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

【讨论】：