Question

我知道使用包熊猫很容易实现它，但因为它太稀疏而且很大（170,000 x 5000），最后我需要使用sklearn再次处理数据，我是想知道是否有办法与sklearn。我尝试了一个热门的编码器，但却被卡在关联虚拟对象＆＃39; id＆＃39;。

df = pd.DataFrame({'id': [1, 1, 2, 2, 3, 3], 'item': ['a', 'a', 'c', 'b', 'a', 'b']})

   id item
0   1    a
1   1    a
2   2    c
3   2    b
4   3    a
5   3    b

dummy = pd.get_dummies(df, prefix='item', columns=['item'])
dummy.groupby('id').sum().reset_index()

   id  item_a  item_b  item_c
0   1       2       0       0
1   2       0       1       1
2   3       1       1       0

更新

现在我在这里，并且＃id;＆＃39;失去了，怎么做聚合呢？

lab = sklearn.preprocessing.LabelEncoder()
labels = lab.fit_transform(np.array(df.item))
enc = sklearn.preprocessing.OneHotEncoder()
dummy = enc.fit_transform(labels.reshape(-1,1))

dummy.todense()

matrix([[ 1.,  0.,  0.],
        [ 1.,  0.,  0.],
        [ 0.,  0.,  1.],
        [ 0.,  1.,  0.],
        [ 1.,  0.,  0.],
        [ 0.,  1.,  0.]])

Answer 1

如果将来有人需要参考，我将解决方案放在这里。我使用了scipy稀疏矩阵。

首先，进行分组并计算记录数。

df = df.groupby(['id','item']).size().reset_index().rename(columns={0:'count'})

这需要一些时间，但不是几天。

然后使用数据透视表，我找到了解决方案here。

from scipy.sparse import csr_matrix

def to_sparse_pivot(df, id, item, count):
    id_u = list(df[id].unique())
    item_u = list(np.sort(df[item].unique()))
    data = df[count].tolist()
    row = df[id].astype('category', categories=id_u).cat.codes
    col = df[item].astype('category', categories=item_u).cat.codes
    return csr_matrix((data, (row, col)), shape=(len(id_u), len(item_u)))

然后调用函数

result = to_sparse_pivot(df, 'id', 'item', 'count')

Answer 2

OneHotEncoder需要整数，因此这是将项目映射到唯一整数的一种方法。由于映射是一对一的，我们也可以反转这个字典。

import pandas as pd
from sklearn.preprocessing import OneHotEncoder

df = pd.DataFrame({'ID': [1, 1, 2, 2, 3, 3], 
                   'Item': ['a', 'a', 'c', 'b', 'a', 'b']})

mapping = {letter: integer for integer, letter in enumerate(df.Item.unique())}
reverse_mapping = {integer: letter for letter, integer in mapping.iteritems()}

>>> mapping
{'a': 0, 'b': 2, 'c': 1}

>>> reverse_mapping
{0: 'a', 1: 'c', 2: 'b'}

现在创建一个OneHotEncoder并映射您的值。

hot = OneHotEncoder()
h = hot.fit_transform(df.Item.map(mapping).values.reshape(len(df), 1))
>>> h
<6x3 sparse matrix of type '<type 'numpy.float64'>'
    with 6 stored elements in Compressed Sparse Row format>
>>> h.toarray()
array([[ 1.,  0.,  0.],
       [ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.],
       [ 1.,  0.,  0.],
       [ 0.,  0.,  1.]])

作为参考，这些将是适当的列：

>>> [reverse_mapping[n] for n in reverse_mapping.keys()]
['a', 'c', 'b']

根据您的数据，您可以看到数据框中的值c位于第三行（索引值为2）。这已映射到c，您可以从反向映射中看到它是中间列。它也是矩阵中间列中唯一包含值为1的值，确认结果。

除此之外，我不确定你会被困在哪里。如果您仍有问题，请澄清。

连接ID值：

>>> np.concatenate((df.ID.values.reshape(len(df), 1), h.toarray()), axis=1)
array([[ 1.,  1.,  0.,  0.],
       [ 1.,  1.,  0.,  0.],
       [ 2.,  0.,  1.,  0.],
       [ 2.,  0.,  0.,  1.],
       [ 3.,  1.,  0.,  0.],
       [ 3.,  0.,  0.,  1.]])

保持阵列稀疏：

from scipy.sparse import hstack, lil_matrix

id_vals = lil_matrix(df.ID.values.reshape(len(df), 1))
h_dense = hstack([id_vals, h.tolil()])
>>> type(h_dense)
scipy.sparse.coo.coo_matrix

>>> h_dense.toarray()
array([[ 1.,  1.,  0.,  0.],
       [ 1.,  1.,  0.,  0.],
       [ 2.,  0.,  1.,  0.],
       [ 2.,  0.,  0.,  1.],
       [ 3.,  1.,  0.,  0.],
       [ 3.,  0.,  0.,  1.]])

如何创建虚拟变量，然后使用scikit-learn进行聚合？

2 个答案: