Question

我的数据集看起来像这样：

import pandas as pd

pd.DataFrame({"A": [2, 2, 1, 0, 5, 3, 0, 4, 5], "B": [1, 0, 0, 0, 1, 1, 1, 0, 0]})

   A  B
0  2  1
1  2  0
2  1  0
3  0  0
4  5  1
5  3  1
6  0  1
7  4  0

（我知道A在0到5之间; B只有0或1）

我想改造它并得到：

    A0_B0 A1_B0 A2_B0 A3_B0 ...  A5_B1
0   0     0     0     0     ...
1   0     0     1     0     ...
2   0     1     0     0     ...
...

（知道哪个列对应哪个组合很重要）

使用可与sklearn Pipeline和/或sklearn_pandas DataFrameMapper集成的方法（需要在测试样本上可重现）。

目前，我已尝试使用OneHotEncoder或LabelBinarizer，但它们适用于A或B列而不混合它们。

我也尝试使用自定义转换器手动操作，但DataFrameMapper会丢失列名：

from sklearn.base import BaseEstimator, TransformerMixin

class ABTransformer(BaseEstimator, TransformerMixin):
    def fit(self, x, y=None):
        return self

    def transform(self, x):
        A = x.A
        B = x.B

        A0_B0 = np.logical_and((A==0), (B == 0))
        A1_B0 = np.logical_and((A==1), (B == 0))
        ...

       data = pd.DataFrame(np.stack((A0_B0, A1_B0,.... ), axis=1), 
             columns=["A0_B0", "A1_B0", ...]
       )
       return data


 mapper = DataFrameMapper([
        (["A", "B"], [ABTransformer()] ,  {'input_df':True, "alias": None}),
        ],
        df_out=True, sparse=False)

最后，我得到的数据标有：＆＃34; A_B_0＆＃34;，＆＃34; A_B_1＆＃34;等...

有没有办法实现所需的输出？

Answer 1

鉴于A列和B列的不同值的数量分别为n_A和n_B，并且所有值都表示为从零开始的整数，您可以使用以下转换函数。

def transform(self, x):
    indices = x.B * n_A + x.A
    columns = ["A%d_B%d" % (j, i) for i in range(n_B) for j in range(n_A)]
    onehot = np.eye(n_A * n_B)[indices]
    data = pd.DataFrame(data=onehot, columns=columns)
    return data

如何二进制编码拖曳混合功能？

1 个答案: