使用 sklearn DictVectorizer 为一周中的几天制作虚拟变量

Making dummy variables for days of week using sklearn DictVectorizer

我正在为线性回归准备定价数据。我的功能仅包含一周中的几天。我的目标是价格。我已经列出了我的数据的字典,就像 sklearn 4.2.1 从字典加载功能中的示例一样。所以数据结构是[{'day': 'friday', 'price': 59}, {'day': 'saturday', 'price': 65}等等。

我根据上述 link 使用 sklearn 的 DictVectorizer 对星期几进行虚拟编码并将数据结构转换为列表列表(适用于 sklearn LinearRegression)。

vec = DictVectorizer()
vec_fit = vec.fit_transform(my_data).toarray()

当我打印 vec_fit 来查看数据时,我得到以下输出。

[[   0.    0.    0. ...,    0.    1.   59.]
 [   0.    0.    0. ...,    0.    0.   92.]
 [   1.    0.    0. ...,    0.    0.   92.]
 ...,
 [   0.    0.    1. ...,    0.    0.  181.]
 [   0.    0.    0. ...,    0.    0.  181.]
 [   0.    1.    0. ...,    0.    0.  181.]]

有人可以解释 (a) ..., 和 (b) 为什么一周中的几天没有 7 个虚拟变量?在我的示例中,..., 似乎涵盖星期日和星期四。

为了检查我的功能(根据 sklearn 4.2.1),我使用了 get_feature_names 函数。

vec.get_feature_names()

[u'day=Friday', u'day=Monday', u'day=Saturday', u'day=Sunday', 
 u'day=Thursday', u'day=Tuesday', u'day=Wednesday', 'price']

如输出所示,所有日期似乎都得到了适当的表示。我仍然对上面的 (a) 和 (b) 感到困惑。仅供参考,当我这样做时 LinearRegression 我只得到 6 个系数(我期待 7 个;一周中的每一天一个)谢谢。

它们在那里,只是在您打印 vec_fit 时没有显示。它是打印大型数组时 numpy 的默认行为。仅显示数据的前 3 列和后 3 列以及前 3 行和后 3 行。

[[   0.    0.    0. ...,    0.    1.   59.]
 [   0.    0.    0. ...,    0.    0.   92.]
 [   1.    0.    0. ...,    0.    0.   92.]
 ..., <=== This is for all intermediate data values present. Just not printed
 [   0.    0.    1. ...,    0.    0.  181.]
 [   0.    0.    0. ...,    0.    0.  181.]
 [   0.    1.    0. ...,    0.    0.  181.]]

您可以通过检查数组的形状来确认所有数据都存在。

print(vec_fit.shape)

应该是(n_rows, 8)。第一个值 (n_rows) 涵盖所有样本。第二个值 (8) 包含 7 个虚拟变量和 1 个目标变量。

如果你想打印完整的数组,那么请看这些问题:

  • How to print the full NumPy array?
  • Python prints "..." in very large output