使用分隔符拆分属性标签以处理

Question

我在Weka 3.8中打开了一个csv文件并选择了一个属性/列（下图）。标签由管道字符分隔。应该有23个不同的标签，但Weka显示914.因此，Weka无法想象太多的值。动作是一个标签，冒险是另一个标签，等等。基本上每行可以有多个标签。

对于处理（例如分类），如何分离这些值以便Weka可以读取它们？

此问题与this类似。但问题是关于日期属性（例如“dd-MM-yyyy HH：mm”）。这询问有关字符分隔的值（例如“Action | Adventure | Drama”）

编辑： 数据来自kaggle。

Answer 1

啊，我也遇到了这个问题。

首先，确保Genres属性被识别为String类型。如果您仅使用GUI，请转到Open File...并打开文件（我假设它是.dat文件。如果您已将其重命名为.csv，请选中以下复选框：调用选项对话框”）。

在“通用对象编辑器”窗口中，输入“流派”属性的索引（此处为最后）。

这样做会导致属性在GUI中看起来像这样。

现在选择名为StringToWordVector（weka.filters.unsupervised.attribute.StringToWordVector）的过滤器。现在，在“编辑器”窗口下，找到 Tokenizer 条目，单击其字段，然后在 delimeters 下删除默认值并添加管道字符。您也可以选择编辑属性前缀字段。

套用并找到作为数字属性添加的所需流派，如果原始字符串中不存在该流派，则设置为0，否则设置为1。

StringToWordVector是一个非常有用的过滤器，文档中还有更多内容：http://weka.sourceforge.net/doc.dev/weka/filters/unsupervised/attribute/StringToWordVector.html。