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

Question

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。

Answer 1

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

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

python

numpy

scikit-learn

dictvectorizer