Question

我的数据集中有以下特征列：

+-----------+
|   size    |
+-----------+
| 10-90     |
| <10       |
| 100-200   |
| 10-90     |
| 500-800   |
| 10000+    |
| <10       |
| 1000-4999 |
+-----------+

我是机器学习的新手，并且发现很难处理这样的功能集。

当我这样做时：

import pandas as pd

y = pd.Categorical(train['size'],ordered=True)

y的输出是：

[10-90, <10, 100-200, 10-90, 500-800, 10000+, <10, 1000-4999]
Categories (6, object): [10-90 < 100-200 < 1000-4999 < 10000+ < 500-800 < <10]

这是错误的，因为<10应该获得最低排名，而500-800也会获得错误排名。根据此功能集，> 10000或10000+应该已经获得最高排名。

我需要对这些数据进行相应的排名或编码，以便如果我的测试数据的值为5或<5，则其排名或编码应与<10相同，因为这是最接近的排名。

在python或R中是否有任何方法/软件包可以帮助我实现这一目标？请帮助。

Answer 1

熊猫解决方案还指定了categories的预期顺序：

cats= ['<10', '10-90' , '100-200','500-800', '1000-4999', '10000+']
y = pd.Categorical(train['size'],ordered=True, categories=cats)
print (y)
[10-90, <10, 100-200, 10-90, 500-800, 10000+, <10, 1000-4999]
Categories (6, object): [<10 < 10-90 < 100-200 < 500-800 < 1000-4999 < 10000+]

Answer 2

R 解决方案：

cats = c('<10', '10-90' , '100-200','500-800', '1000-4999', '10000+')

 factor(train$size,levels = cats,ordered = TRUE)
[1] 10-90     <10       100-200   10-90     500-800   10000+    <10       1000-4999
Levels: <10 < 10-90 < 100-200 < 500-800 < 1000-4999 < 10000+

或

ordered(train[['size']], levels=cats)
[1] 10-90     <10       100-200   10-90     500-800   10000+    <10       1000-4999
Levels: <10 < 10-90 < 100-200 < 500-800 < 1000-4999 < 10000+

无论您使用的是python还是R，您都需要知道的一件事是，您需要按照所需的顺序放置类别。只能手动完成。.

如何预处理特征值是数字范围的序数特征并对其进行排名或编码

2 个答案: