LabelEncoding 列组合的排列

Question

我想使用 sklearn 的 LabelEncoder() 为两列的排列创建 class 标签。我如何实现以下行为？

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder

df = pd.read_csv("data.csv", sep=",")
df
#    A    B    
# 0  1  Yes 
# 1  2   No 
# 2  3  Yes 
# 3  4  Yes

我想要 A && B 组合的排列，而不是分别对这两列进行编码：

df['A'].astype('category')
#Categories (4, int64): [1, 2, 3, 4, ]

df['B'].astype('category')
#Categories (2, object): ['Yes','No']

#Column C should have 4 * 2 classes:
(1,Yes)=1  (1,No)=5
(2,Yes)=2  (2,No)=6
(3,Yes)=3  (3,No)=7
(4,Yes)=4  (4,No)=8

#Newdf
#    A    B  C    
# 0  1  Yes  1
# 1  2   No  6
# 2  3  Yes  3
# 3  4  Yes  4

Answer 1

我们可以用交叉创建映射 df merge

out = df.merge(df[['B']].drop_duplicates().merge(df['A'].drop_duplicates(),how='cross').assign(C=lambda x : x.index+1))
Out[415]: 
   A    B  C
0  1  Yes  1
1  2   No  6
2  3  Yes  3
3  4  Yes  4

更多信息

df[['B']].drop_duplicates().merge(df['A'].drop_duplicates(),how='cross').assign(C=lambda x : x.index+1)
Out[417]: 
     B  A  C
0  Yes  1  1
1  Yes  2  2
2  Yes  3  3
3  Yes  4  4
4   No  1  5
5   No  2  6
6   No  3  7
7   No  4  8

Answer 2

您可以创建额外的列，将 2 列的值合并到一个元组中。但是 LabelEncoder 不能对元组进行编码，所以你还需要得到元组的 hash():

df['AB'] = df.apply(lambda row: hash((row['A'], row['B'])), axis=1)
le = LabelEncoder()
df['C'] = le.fit_transform(df['AB'])

但是，如果您想保留准确的标签顺序（您指定的），使用 LabelEncoder() 没有意义。您可以像这样简单地计算 C 列：

df['C'] = df['A'] + (df['B']=='No') * df['A'].max()

输出：

    A   B   C
0   1   Yes 1
1   2   No  6
2   3   Yes 3
3   4   Yes 4

编辑：

如果您想保留遗漏组合的标签（例如 (2, 'Yes')）并且需要针对任意数量的类的解决方案，您可以使用 2 LabelEncoder():

leA = LabelEncoder()
leB = LabelEncoder()
leA.fit(df['A'])
leB.fit(df['B'])
df['C'] = leA.transform(df['A']) + leA.classes_.size
leB.transform(df['B']) + 1 # if you want labels to start from 1

但在这种情况下您无法保留自定义顺序，标签列表将自动排序，例如[1,2,3,4] 和 ['No','Yes'].

输出：

    A   B   C
0   1   Yes 5
1   2   No  2
2   3   Yes 7
3   4   Yes 8

LabelEncoding 列组合的排列

LabelEncoding a permutation of combination of columns

python

permutation

pandas

scikit-learn

sklearn-pandas