想知道 pd.factorize、pd.get_dummies、sklearn.preprocessing.LableEncoder 和 OneHotEncoder 之间的区别 [关闭]

Question

所有四个功能都与我非常相似。在某些情况下，其中一些可能会给出相同的结果，而有些则不会。任何帮助将不胜感激！

现在我知道并且我假设在内部，factorize 和 LabelEncoder 工作方式相同，并且在结果方面没有太大差异。我不确定他们是否会在处理大量数据时占用类似的时间。

get_dummies 和OneHotEncoder 将产生相同的结果，但OneHotEncoder 只能处理数字，而get_dummies 将接受各种输入。 get_dummies 将为每个列输入自动生成新的列名，但OneHotEncoder 不会（它会分配新的列名 1,2,3....）。所以get_dummies 在各个方面都更好。

如果我错了，请纠正我！谢谢！

Answer 1

这四个编码器可以分为两类：

• 将标签编码为分类变量：Pandas factorize 和 scikit-learn LabelEncoder。结果将具有 1 个维度。
• 将分类变量编码为虚拟/指标（二进制）变量：Pandas get_dummies 和 scikit-learn OneHotEncoder。结果将有 n 个维度，分别是编码分类变量的不同值。

pandas 和 scikit-learn 编码器之间的主要区别在于，scikit-learn 编码器用于 scikit-learn 管道，具有 fit 和 transform 方法。

将标签编码为分类变量

Pandas factorize 和 scikit-learn LabelEncoder 属于第一类。它们可用于创建分类变量，例如将字符转换为数字。

from sklearn import preprocessing    
# Test data
df = DataFrame(['A', 'B', 'B', 'C'], columns=['Col'])    
df['Fact'] = pd.factorize(df['Col'])[0]
le = preprocessing.LabelEncoder()
df['Lab'] = le.fit_transform(df['Col'])

print(df)
#   Col  Fact  Lab
# 0   A     0    0
# 1   B     1    1
# 2   B     1    1
# 3   C     2    2

将分类变量编码为虚拟/指标（二进制）变量

Pandas get_dummies 和 scikit-learn OneHotEncoder 属于第二类。它们可用于创建二进制变量。 OneHotEncoder 只能用于分类整数，而get_dummies 可以用于其他类型的变量。

df = DataFrame(['A', 'B', 'B', 'C'], columns=['Col'])
df = pd.get_dummies(df)

print(df)
#    Col_A  Col_B  Col_C
# 0    1.0    0.0    0.0
# 1    0.0    1.0    0.0
# 2    0.0    1.0    0.0
# 3    0.0    0.0    1.0

from sklearn.preprocessing import OneHotEncoder, LabelEncoder
df = DataFrame(['A', 'B', 'B', 'C'], columns=['Col'])
# We need to transform first character into integer in order to use the OneHotEncoder
le = preprocessing.LabelEncoder()
df['Col'] = le.fit_transform(df['Col'])
enc = OneHotEncoder()
df = DataFrame(enc.fit_transform(df).toarray())

print(df)
#      0    1    2
# 0  1.0  0.0  0.0
# 1  0.0  1.0  0.0
# 2  0.0  1.0  0.0
# 3  0.0  0.0  1.0

我还根据这个答案写了一个更详细的post。