Question

我有一个类似的列表：

list = ['Opinion, Journal, Editorial',
        'Opinion, Magazine, Evidence-based',
        'Evidence-based']

其中逗号在类别之间分割，例如。意见和期刊是两个不同的类别。真实列表要大得多，并且有更多可能的类别。我想使用单热编码来转换列表，以便它可以用于机器学习。例如，从该列表中我想生成一个包含以下数据的稀疏矩阵：

list = [[1, 1, 1, 0, 0],
        [1, 0, 0, 0, 1],
        [0, 0, 0, 0, 1]]

理想情况下，我想使用scikit-learn's one hot encoder，因为我认为这将是最有效的。

回复@nbrayns评论：

这个想法是将类别列表从文本转换为矢量wherby，如果它属于该类别，它将被分配1，否则为0.对于上面的例子，标题将是：

headings = ['Opinion', 'Journal', 'Editorial', 'Magazine', 'Evidence-based']

Answer 1

如果你能够使用Pandas，那么这个功能基本上就是内置的：

import pandas as pd

l = ['Opinion, Journal, Editorial', 'Opinion, Magazine, Evidence-based', 'Evidence-based']
pd.Series(l).str.get_dummies(', ')

   Editorial  Evidence-based  Journal  Magazine  Opinion
0          1               0        1         0        1
1          0               1        0         1        1
2          0               1        0         0        0

如果您想坚持sklearn生态系统，那么您正在寻找MultiLabelBinarizer，而不是OneHotEncoder。顾名思义，OneHotEncoder每个类别每个样本只支持一个级别，而您的数据集有多个。

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()  # pass sparse_output=True if you'd like
mlb.fit_transform(s.split(', ') for s in l)

[[1 0 1 0 1]
 [0 1 0 1 1]
 [0 1 0 0 0]]

要将列映射回分类级别，您可以访问mlb.classes_。对于上面的示例，这会给出['Editorial' 'Evidence-based' 'Journal' 'Magazine' 'Opinion']。

Answer 2

还有一种方法：

$client->request('GET', '/', ['proxy' => 'tcp://localhost:8125']);

Answer 3

这可能不是最有效的方法，但可能很容易掌握如果您还没有所有可能单词的列表，则需要创建该单词。在下面的代码中，它被称为unique。输出矩阵s的列将对应于那些唯一的单词;行将是列表中的项目。

import numpy as np

lis = ['Opinion, Journal, Editorial','Opinion, Magazine, Evidence-based','Evidence-based']

unique=list(set(", ".join(lis).split(", ")))
print unique
# prints ['Opinion', 'Journal', 'Magazine', 'Editorial', 'Evidence-based']

s = np.zeros((len(lis), len(unique)))
for i, item in enumerate(lis):
    for j, notion in enumerate(unique):
        if notion in item:
            s[i,j] = 1

print s
# prints [[ 1.  1.  0.  1.  0.]
#         [ 1.  0.  1.  0.  1.]
#         [ 0.  0.  0.  0.  1.]]

Answer 4

pandas非常容易：

import pandas as pd
s = pd.Series(['a','b','c'])
pd.get_dummies(s)

输出：

类别

4 个答案: