12

我正在尝试使用 UCI 存储库中的汽车评估数据集，我想知道是否有一种方便的方法可以在 sklearn 中对分类变量进行二值化。一种方法是使用 LabelBinarizer 的 DictVectorizer 但在这里我得到了 k 个不同的特征，而你应该只有 k-1 以避免共线性化。我想我可以编写自己的函数并删除一列，但是这种簿记很乏味，有没有一种简单的方法来执行这种转换并得到一个稀疏矩阵？

4

3 回答 3

31

如果您的数据是 pandas DataFrame，那么您可以简单地调用 get_dummies。假设您的数据框是 df，并且您希望每级变量“键”有一个二进制变量。您可以简单地调用：

pd.get_dummies(df['key'])

然后删除其中一个虚拟变量，以避免多重共线性问题。我希望这有帮助 ...

于 2014-03-02T17:27:59.903 回答
16

基本方法是

import numpy as np
import pandas as pd, os
from sklearn.feature_extraction import DictVectorizer

def one_hot_dataframe(data, cols, replace=False):
    vec = DictVectorizer()
    mkdict = lambda row: dict((col, row[col]) for col in cols)
    vecData = pd.DataFrame(vec.fit_transform(data[cols].apply(mkdict, axis=1)).toarray())
    vecData.columns = vec.get_feature_names()
    vecData.index = data.index
    if replace is True:
        data = data.drop(cols, axis=1)
        data = data.join(vecData)
    return (data, vecData, vec)

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
        'year': [2000, 2001, 2002, 2001, 2002],
        'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}

df = pd.DataFrame(data)

df2, _, _ = one_hot_dataframe(df, ['state'], replace=True)
print df2

这是稀疏格式的方法

import numpy as np
import pandas as pd, os
import scipy.sparse as sps
import itertools

def one_hot_column(df, cols, vocabs):
    mats = []; df2 = df.drop(cols,axis=1)
    mats.append(sps.lil_matrix(np.array(df2)))
    for i,col in enumerate(cols):
        mat = sps.lil_matrix((len(df), len(vocabs[i])))
        for j,val in enumerate(np.array(df[col])):
            mat[j,vocabs[i][val]] = 1.
        mats.append(mat)

    res = sps.hstack(mats)   
    return res

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
        'year': ['2000', '2001', '2002', '2001', '2002'],
        'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}

df = pd.DataFrame(data)
print df

vocabs = []
vals = ['Ohio','Nevada']
vocabs.append(dict(itertools.izip(vals,range(len(vals)))))
vals = ['2000','2001','2002']
vocabs.append(dict(itertools.izip(vals,range(len(vals)))))

print vocabs

print one_hot_column(df, ['state','year'], vocabs).todense()
于 2013-08-06T11:29:38.053 回答
15

DictVectorizer 是生成分类变量的 one-hot 编码的推荐方法；您可以使用该sparse参数创建一个稀疏的 CSR 矩阵，而不是一个密集的 numpy 数组。我通常不关心多重共线性，也没有注意到我倾向于使用的方法（即 LinearSVC、SGDClassifier、基于树的方法）存在问题。

修补 DictVectorizer 以在每个分类特征中删除一列应该不是问题 - 您只需DictVectorizer.vocabulary在方法结束时删除一个术语fit。（拉取请求总是受欢迎的！）

于 2013-02-23T08:02:11.803 回答