patsy 中未修改的列名索引

Question

我正在使用 patsy 为回归准备分类数据，并希望将列名映射到它在 DesignMatrix 中的索引。我尝试使用 DesignInfo 对象的 column_name_indexes 属性，但列名已被修改以反映编码。

示例使用来自 docs 的数据：

>>> from patsy import demo_data, dmatrix
>>> data = demo_data("a", nlevels=3)
>>> data
{'a': ['a1', 'a2', 'a3', 'a1', 'a2', 'a3']}

>>> x = dmatrix("a", data)
>>> x
DesignMatrix with shape (6, 3)
  Intercept  a[T.a2]  a[T.a3]
          1        0        0
          1        1        0
          1        0        1
          1        0        0
          1        1        0
          1        0        1
  Terms:
    'Intercept' (column 0)
    'a' (columns 1:3)

>>> x.design_info.column_name_indexes
OrderedDict([('Intercept', 0), ('a[T.a2]', 1), ('a[T.a3]', 2)])

我希望能够访问列索引，例如'a2' 通过调用：

x.design_info.column_name_indexes['a2']

但当然 returns KeyError: 'a2'。所以我必须自己构造修改后的键以获得所需的列索引 1:

x.design_info.column_name_indexes['a[T.a2]']

有没有一种方法可以通过引用未修改的 feature/column 名称（即 'a2' 而不必构造修改后的键（即 'a[T.a2]'）来访问列索引？

Answer 1

一般来说，a2 等分类值与设计矩阵列之间没有一对一的映射关系。您正在谈论的专栏已经比这更复杂了——它是 a2 和 a1 值之间的处理对比——而且事情可以任意地比这更复杂（例如考虑 Helmert 或多项式编码）。

如果您知道要查找与变量 a 的 a2 关联的治疗对比，那么您可以使用

def column_for_treatment(design_info, factor, value):
    column_name = "{}[T.{}]".format(factor, value)
    return design_info.column_name_indexes[colum_name]

column_for_treatment(x.design_info, "a", "a2")

看起来有点傻，但应该可以，考虑到上面提到的一般问题，我不确定什么会更好。

patsy 中未修改的列名索引

Unmodified column name index in patsy

python

machine-learning

patsy