我正在对 sklearn 中的一些功能进行矢量化处理，但遇到了问题。如果您的数据可以被编码为每个项目的一个字典键，则 DictVectorizer 效果很好。如果您的项目可以具有同一列的两个或多个值怎么办？例如， DictVectorizer 在这样的项目上工作正常：
{'a': 'b', 'b': 'c'}
但是像这样的东西，每列有多个值呢？
{'a': ['b','c'], 'b': 'd'}
one-hot-encoding 的策略仍然可以应用，你只需要两个 a 列…… a=b 和 a=c。据我所知，不存在这样的矢量化器！在这种情况下应该怎么做？我需要创建自己的 MultiDictVectorizer 吗？
在发布之前，我在这里的一篇博文中写过这个。
对于这种情况，至少有两种可能的快速解决方案：
创建一个表示具有两个聚合值的可能性的新值
{'a': 'bc', 'b': 'd'}或者给它另一个名字，即'bc'-->'e'
每次取其中一个值时复制样本
{'a': 'b', 'b': 'd'}和
{'a': 'c', 'b': 'd'}
但当然，这在很大程度上取决于您的问题的上下文（案例 2：“复制”具有不同表现形式的样本是否正确？案例 1：在概念上是否可以接受该功能的另一个新值？）。例如，我什至不知道该多值特征是否对应于一种N/A情况。
我看过你的 github 提案，所以我知道这不是你想要的，但以防万一它可以节省你的精力。
DictVectorizer 无法处理每个键的多个值，因此我正在为其添加此功能。如果拉取被接受，这将是 sklearn 的一部分。如果没有，我将在 MultiDictVectorizer 中继承 DictVectorizer 并为该类发布一个包。