分类和数值特征 - 分类目标 - Scikit Learn - Python

Question

我有一个包含分类列和数值列的数据集，我的目标列也是分类列。我在 Python34 中使用 Scikit 库。我知道在进行任何机器学习方法之前，Scikit 需要将所有分类值转换为数值。

我应该如何将分类列转换为数值？我尝试了很多东西，但出现了不同的错误，例如 "str" object has no 'numpy.ndarray' object has no attribute 'items'.

Here is an example of my data:
 UserID  LocationID   AmountPaid    ServiceID   Target
 29876      IS345       23.9876      FRDG        JFD
 29877      IS712       135.98       WERS        KOI

我的数据集保存在一个 CSV 文件中，这里是我写的小代码，让您了解我想做什么：

#reading my csv file
data_dir = 'C:/Users/davtalab/Desktop/data/'
train_file = data_dir + 'train.csv'
train = pd.read_csv( train_file )

#numeric columns:
x_numeric_cols = train['AmountPaid']

#Categrical columns:
categorical_cols = ['UserID' + 'LocationID' + 'ServiceID']
x_cat_cols = train[categorical_cols].as_matrix() 


y_target = train['Target'].as_matrix()

我需要将 x_cat_cols 转换为数值并将它们添加到 x_numeric_cols，这样我就有了完整的输入 (x) 值。

然后我还需要将我的目标函数转换为数值，并将其作为我的最终目标 (y) 列。

然后我想用这两个完整的集合做一个随机森林：

rf = RF(n_estimators=n_trees,max_features=max_features,verbose =verbose, n_jobs =n_jobs)
rf.fit( x_train, y_train )

感谢您的帮助！

Answer 1

target可以使用sklearn的LabelEncoder。这将为您提供从字符串标签到数字标签的转换器（以及反向映射）。 link.

中的示例

至于特征，学习算法通常期望（或最适合）序数数据。所以最好的选择是使用 OneHotEncoder 来转换分类特征。这将为每个类别生成一个新的二进制特征，表示每个类别的 on/off。同样，link.

中的用法示例

Answer 2

这是因为我枚举数据的方式。如果我打印数据（使用另一个示例），您将看到：

>>> import pandas as pd
>>> train = pd.DataFrame({'a' : ['a', 'b', 'a'], 'd' : ['e', 'e', 'f'],
...                       'b' : [0, 1, 1], 'c' : ['b', 'c', 'b']})
>>> samples = [dict(enumerate(sample)) for sample in train]
>>> samples
[{0: 'a'}, {0: 'b'}, {0: 'c'}, {0: 'd'}]

这是一个字典列表。我们应该这样做：

    >>> train_as_dicts = [dict(r.iteritems()) for _, r in train.iterrows()]
    >>> train_as_dicts
    [{'a': 'a', 'c': 'b', 'b': 0, 'd': 'e'},
     {'a': 'b', 'c': 'c', 'b': 1, 'd': 'e'},
     {'a': 'a', 'c': 'b', 'b': 1, 'd': 'f'}]
Now we need to vectorize the dicts:

>>> from sklearn.feature_extraction import DictVectorizer

>>> vectorizer = DictVectorizer()
>>> vectorized_sparse = vectorizer.fit_transform(train_as_dicts)
>>> vectorized_sparse
<3x7 sparse matrix of type '<type 'numpy.float64'>'
    with 12 stored elements in Compressed Sparse Row format>

>>> vectorized_array = vectorized_sparse.toarray()
>>> vectorized_array
array([[ 1.,  0.,  0.,  1.,  0.,  1.,  0.],
       [ 0.,  1.,  1.,  0.,  1.,  1.,  0.],
       [ 1.,  0.,  1.,  1.,  0.,  0.,  1.]])
To get the meaning of each column, ask the vectorizer:

>>> vectorizer.get_feature_names()
['a=a', 'a=b', 'b', 'c=b', 'c=c', 'd=e', 'd=f']

分类和数值特征 - 分类目标 - Scikit Learn - Python

Categorical & Numerical Features - Categorical Target - Scikit Learn - Python

python

scikit-learn

target

numerical

categorical-data