python - 如何预处理特征值是数字范围的序数特征并相应地对它们进行排名或编码

Question

我的数据集中有以下特征列：

+-----------+
|   size    |
+-----------+
| 10-90     |
| <10       |
| 100-200   |
| 10-90     |
| 500-800   |
| 10000+    |
| <10       |
| 1000-4999 |
+-----------+

我是机器学习的新手，发现很难处理这样的功能集。

当我做：

import pandas as pd

y = pd.Categorical(train['size'],ordered=True)

y 的输出是：

[10-90, <10, 100-200, 10-90, 500-800, 10000+, <10, 1000-4999]
Categories (6, object): [10-90 < 100-200 < 1000-4999 < 10000+ < 500-800 < <10]

这是错误的，因为 <10 应该获得最低排名，并且 500-800 获得错误排名。根据此功能集 >10000 或 10000+ 应该获得最高排名。

我需要相应地对这些数据进行排名或编码，这样如果我的测试数据获得值 5 或 <5，它应该获得与 <10 相同的排名或编码，因为这是最接近的。

python或R中是否有任何方法/包可以帮助我实现这一目标？请帮忙。

Answer 1

熊猫解决方案也指定了categories预期的顺序：

cats= ['<10', '10-90' , '100-200','500-800', '1000-4999', '10000+']
y = pd.Categorical(train['size'],ordered=True, categories=cats)
print (y)
[10-90, <10, 100-200, 10-90, 500-800, 10000+, <10, 1000-4999]
Categories (6, object): [<10 < 10-90 < 100-200 < 500-800 < 1000-4999 < 10000+]

Answer 2

R解决方案：

cats = c('<10', '10-90' , '100-200','500-800', '1000-4999', '10000+')

 factor(train$size,levels = cats,ordered = TRUE)
[1] 10-90     <10       100-200   10-90     500-800   10000+    <10       1000-4999
Levels: <10 < 10-90 < 100-200 < 500-800 < 1000-4999 < 10000+

或者

ordered(train[['size']], levels=cats)
[1] 10-90     <10       100-200   10-90     500-800   10000+    <10       1000-4999
Levels: <10 < 10-90 < 100-200 < 500-800 < 1000-4999 < 10000+

无论您使用 python 还是 R，您需要知道的一件事是您需要按照您想要的顺序放置类别。只能手动完成。。