python - 数据框中多列的LabelBinarizer

Question

我有一个 csv 文件，它有 25 列，有些是数字的，有些是分类的，有些是演员、导演的名字。我想对这些数据使用回归模型。为此，我必须使用 scikit 包中的 LabelBinarizer 将分类列字符串类型转换为数值。如何在此具有多个分类数据的数据帧上使用 LabelBinarize？

本质上，我想对标签进行二值化并将它们添加到数据框中。

在下面的代码中，我检索了要二值化的列列表，但无法弄清楚如何将新列添加回 df？

categorylist = ['color', 'language', 'country', 'content_rating']
for col in categorylist:
    tempdf = label_binarizer.fit_transform(df[col])

在下一步中，我想添加tempdf并df删除原始列 df[col]。

Answer 1

您可以使用以下方式在单行中执行此操作pd.get_dummies：

tempdf = pd.get_dummies(df, columns=categorylist)

否则，您可以在 sklearn 管道的答案中使用FeatureUnionwith as - 如何在不同的列上应用不同的转换FunctionTransformer

编辑：正如@dukebody 在评论中添加的那样，您还可以使用sklearn-pandas包，其目的是能够对每个数据框列应用不同的转换。