Question

我有一个Dataframe（data），其头部如下所示：

          status      datetime    country    amount    city  
601766  received  1.453916e+09    France       4.5     Paris
669244  received  1.454109e+09    Italy        6.9     Naples

我想预测status给定datetime, country, amount和city

由于status, country, city是字符串，我对它们进行了一次热编码：

one_hot = pd.get_dummies(data['country'])
data = data.drop(item, axis=1) # Drop the column as it is now one_hot_encoded
data = data.join(one_hot)

然后我创建一个简单的LinearRegression模型并使其适合我的数据：

y_data = data['status']
classifier = LinearRegression(n_jobs = -1)
X_train, X_test, y_train, y_test = train_test_split(data, y_data, test_size=0.2)
columns = X_train.columns.tolist()
classifier.fit(X_train[columns], y_train)

但是我收到了以下错误：

无法将字符串转换为float：'received'

我觉得我在这里想念一些东西，我想对如何继续进行一些投入。感谢您到目前为止阅读！

Answer 1

考虑以下方法：

首先让我们对所有非数字列进行一次热编码：

In [220]: from sklearn.preprocessing import LabelEncoder

In [221]: x = df.select_dtypes(exclude=['number']) \
                .apply(LabelEncoder().fit_transform) \
                .join(df.select_dtypes(include=['number']))

In [228]: x
Out[228]:
        status  country  city      datetime  amount
601766       0        0     1  1.453916e+09     4.5
669244       0        1     0  1.454109e+09     6.9

现在我们可以使用LinearRegression分类器：

In [230]: classifier.fit(x.drop('status',1), x['status'])
Out[230]: LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

Answer 2

要在scikit-learn项目中进行单热编码，您可能会发现使用scikit-learn-contrib项目category_encoders更加清晰：https://github.com/scikit-learn-contrib/categorical-encoding，其中包括许多常见的分类变量编码方法，包括一个 - 热。

单热编码的逻辑回归

2 个答案: