在sklearn中将文本列转换为数字

Question

我是数据分析的新手。我在python Sklearn中尝试了一些模型。我有一个数据集，其中一些列有文本列。如下所示，

数据集

有没有办法将这些列值转换为pandas或Sklearn中的数字？为这些值分配数字是对的吗？如果在测试数据中弹出一个新字符串会怎么样？

请建议。

Answer 1

考虑使用标签编码 - 它通过为每个类别分配0到num_of_categories-1之间的整数来转换分类数据：

from sklearn.preprocessing import LabelEncoder
df = pd.DataFrame(['a','b','c','d','a','c','a','d'], columns=['letter'])

  letter
0      a
1      b
2      c
3      d
4      a
5      c
6      a

申请：

le = LabelEncoder()
encoded_series = df[df.columns[:]].apply(le.fit_transform)

encoded_series：

    letter
0   0
1   1
2   2
3   3
4   0
5   2
6   0
7   3

Answer 2

您可以使用分类数据类型将它们转换为整数代码。

GradientBoostingClassifier(max_depth=10

只要使用具有足够深的树的基于树的模型，例如{{1}}），您的模型应该能够再次拆分类别。