编码作为值列表的分类变量

Question

我有以下数据：

Rank    Platforms        Technology

high    Windows||Linux   Unity
high    Linux             
low     Windows          Unreal 
low     Linux||MacOs     GameMakerStudio||Unity||Unreal
low                      GameMakerStudio

Platforms和Technology都是分类变量。这里的问题是它们可以有一个，或者为空，或者，尤其是多个值，比如 GameMakerStudio||Unity||Unreal。我正在构建逻辑回归模型来预测 Rank 数据。

我正在尝试为我的模型编码这些变量。但是，我还没有找到列表类型分类值的任何解决方案。我已阅读此页面 Encoding Categorical Variables 并发现 One-hot encoding 是最密切相关的，但仍然没有解决我的问题。

当然，我可以手动对其进行编码。例如，Platforms 列大约有 7 个不同的平台值，如果 Platforms = Windows||Linux，我可以设置 2 列 is_windows = true 和 is_linux = true。但是对于 Technology 列，有 21 个不同的值。

有没有自动编码的方法？

Answer 1

您从未在问题中提及 Pandas，但我猜这就是您使用的内容。如果是这样，您提到的 link 有响应：get_dummies

[nav] In [17]: c = pandas.read_csv ("/tmp/asdf.txt", header=0)                                                                                                                                                                                                                                                                

[nav] In [18]: c                                                                                                                                                                                                                                                                                                              
Out[18]: 
   Rank       Platforms                      Technology
0  high  Windows||Linux                           Unity
1  high           Linux                             NaN
2   low         Windows                          Unreal
3   low    Linux||MacOs  GameMakerStudio||Unity||Unreal
4   low             NaN                 GameMakerStudio

[nav] In [19]: c.Platforms.str.get_dummies ()                                                                                                                                                                                                                                                                                 
Out[19]: 
   Linux  MacOs  Windows
0      1      0        1
1      1      0        0
2      0      0        1
3      1      1        0
4      0      0        0

[nav] In [20]: pd.concat ( [c, c.Platforms.str.get_dummies (), c.Technology.str.get_dummies ()], axis=1 )                                                                                                                                                                                                                     
Out[20]: 
   Rank       Platforms                      Technology  Linux  MacOs  Windows  GameMakerStudio  Unity  Unreal
0  high  Windows||Linux                           Unity      1      0        1                0      1       0
1  high           Linux                             NaN      1      0        0                0      0       0
2   low         Windows                          Unreal      0      0        1                0      0       1
3   low    Linux||MacOs  GameMakerStudio||Unity||Unreal      1      1        0                1      1       1
4   low             NaN                 GameMakerStudio      0      0        0                1      0       0