DictVectorizer将特征识别为字符串

Question

我通过DictVectorizer（0.14）运行的字典列表具有已编码为整数的特定分类值：

> dictionary_list[0:2]

输出：

[{u'Life': 3377, u'SerumX': 1015, u'duration': 3, u'gene_name': 37},
 {u'Life': 11655, u'SerumX': 1913, u'duration': 3, u'gene_name': 1}]

  

vec = DictVectorizer（稀疏=假）
  X = vec.fit_transform（dictionary_list）

例如，基因APC，AXIN1，BLM可以通过某种任意方法编码为37,1,15。也就是说这些数字不是字符/ ngram等的NLP表达式。

我目前正在更新此列表中的dicts，以将键'gene_name'的值从int转换为str：

for dicts in dictionary_list:
   dicts.update((k, str(v)) for k, v in dicts.iteritems() if k == 'gene_name')

> dictionary_list[0:2]

输出：

[{u'Life': 3377, u'SerumX': 1015, u'duration': 3, u'gene_name': '37'},
 {u'Life': 11655, u'SerumX': 1913, u'duration': 3, u'gene_name': '1'}]

我希望优化速度，避免在通过DictVectorizer之前更新dict。我很好奇是否有办法将我的列表传递给DictVectorizer，我可以让它将'gene_name'的值强制为字符串以利用内置编码。

非常感谢scikit-learn团队的出色工作。

Answer 1

如果您将代码更改为

，我猜您可以加快速度

for dct in dictionary_list:
    if 'gene_name' in dct:
        dct['gene_name'] = str(dct['gene_name'])

我认为你无法避免将值强制转换为字符串，因为DictVectorizer使用isinstance(value, six.string_types)作为条件来过滤掉提供的数据中的分类值。

Answer 2

如果我理解你的代码是正确的，那么你循环遍历所有密钥以查看其中一个密钥是否"gene_name"我猜你正在这样做，因为并非所有字典都有这个密钥。

如果你这样做了：

for dic in records_list:
    if 'gene_name' in dic:
        dic.update({ 'gene_name' , str(dic['gene_name']) })

您只能访问要更改的密钥。