Question

我正在尝试执行一个简单数据集的热编码。

data = [['a', 'dog', 'red']
        ['b', 'cat', 'green']]

使用Scikit-Learn预处理此数据的最佳方法是什么？

首先，你会看到Scikit-Learn的OneHotEncoder。但是一个热门编码器不支持字符串作为功能;它只会使整数离散化。

那么你会使用LabelEncoder，它会将字符串编码为整数。但是，您必须将标签编码器应用到每个列中，并存储这些标签编码器中的每一个（以及它们所应用的列）。这感觉非常笨重。

那么，在Scikit-Learn中做到这一点的最佳方式是什么？

请不要建议pandas.get_dummies。这就是我现在通常使用的一种热编码方式。但是，由于您无法单独对训练/测试集进行编码，因此它受到限制。

Answer 1

如果你在sklearn＆gt; 0.20.dev0

In [11]: from sklearn.preprocessing import OneHotEncoder
    ...: cat = OneHotEncoder()
    ...: X = np.array([['a', 'b', 'a', 'c'], [0, 1, 0, 1]], dtype=object).T
    ...: cat.fit_transform(X).toarray()
    ...: 
Out[11]: array([[1., 0., 0., 1., 0.],
           [0., 1., 0., 0., 1.],
           [1., 0., 0., 1., 0.],
           [0., 0., 1., 0., 1.]])

如果你在sklearn == 0.20.dev0

In [30]: cat = CategoricalEncoder()

In [31]: X = np.array([['a', 'b', 'a', 'c'], [0, 1, 0, 1]], dtype=object).T

In [32]: cat.fit_transform(X).toarray()
Out[32]:
array([[ 1.,  0., 0.,  1.,  0.],
       [ 0.,  1.,  0.,  0.,  1.],
       [ 1.,  0.,  0.,  1.,  0.],
       [ 0.,  0.,  1.,  0.,  1.]])

另一种方法是使用category_encoders。

以下是一个例子：

% pip install category_encoders
import category_encoders as ce
le =  ce.OneHotEncoder(return_df=False, impute_missing=False, handle_unknown="ignore")
X = np.array([['a', 'dog', 'red'], ['b', 'cat', 'green']])
le.fit_transform(X)
array([[1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1]])

Answer 2

非常好的问题。

然而，从某种意义上说，这是一个私人案例，它会出现（至少对我来说很常见） - 给定sklearn阶段适用于X矩阵的子集，I＆＃39 ; d喜欢在给定整个矩阵的情况下应用（可能是几个）。例如，在这里，您有一个知道要在单个列上运行的阶段，并且您希望将其应用三次 - 每列一次。

这是使用Composite Design Pattern的经典案例。

这是一个（草图）可重用阶段，它接受一个字典，将列索引映射到要应用的变换：

class ColumnApplier(object):
    def __init__(self, column_stages):
        self._column_stages = column_stages

    def fit(self, X, y):
        for i, k in self._column_stages.items():
            k.fit(X[:, i])

        return self

    def transform(self, X):
        X = X.copy()
        for i, k in self._column_stages.items():
            X[:, i] = k.transform(X[:, i])

        return X

现在，在此上下文中使用它，从

开始

X = np.array([['a', 'dog', 'red'], ['b', 'cat', 'green']])
y = np.array([1, 2])
X

您只需使用它将每个列索引映射到您想要的转换：

multi_encoder = \
    ColumnApplier(dict([(i, preprocessing.LabelEncoder()) for i in range(3)]))
multi_encoder.fit(X, None).transform(X)

一旦你开发了这样一个舞台（我无法发布我使用的舞台），你可以反复使用它进行各种设置。

Answer 3

我多次遇到这个问题，我在他的第100页的this书中找到了解决方案：

我们可以应用两种转换（从文本类别到整数类别，然后从整数使用LabelBinarizer类一次性对一个热矢量进行分类：

，示例代码在这里：

from sklearn.preprocessing import LabelBinarizer
encoder = LabelBinarizer()
housing_cat_1hot = encoder.fit_transform(data)
housing_cat_1hot

因此：请注意，默认情况下，这会返回密集的NumPy数组。您可以通过传递获得稀疏矩阵 sparse_output = LabelBinarizer构造函数的True。

您可以在sklearn官方文档中找到有关LabelBinarizer的更多信息，here

字符串分类功能

3 个答案: