Question

对于我正在使用的数据集，分类变量是有序的，三列的范围从1到5。我将把它送入XGBoost。

我可以只运行此命令并跳过创建虚拟变量的方法：

ser = pd.Series([1, 2, 3], dtype='category')
ser = ser.to_frame()
ser = ser.T

我想从概念上了解一下，由于分类数据是有序的，将其简单地转换为类型类别就足以满足模型要求吗？我尝试创建虚拟变量，但所有值都变成1。

至于现在的代码，它可以运行，但是此命令返回：'numpy.int64'。

type(ser[0][0])

我可以正确处理吗？任何帮助都会很棒！

编辑：更新的代码

Edit2：归一化数值数据值。这种逻辑正确吗？：

r = [1, 2, 3, 100 ,200]
scaler = preprocessing.StandardScaler()
r = preprocessing.scale(r)
r = pd.Series(r)
r = r.to_frame()
r = r.T

Edit3：This is the dataset。

Answer 1

仅将分类变量设置为dtype="category"还是行不通的。

您需要使用pd.factorize()将分类值转换为真实的分类值，其中为每个类别分配了一个数字标签。

假设df是您的熊猫数据框。然后通常可以使用以下样板代码：

df_numeric = df.select_dtypes(exclude=['object'])
df_obj = df.select_dtypes(include=['object']).copy()

# factorize categoricals columnwise
for c in df_obj:
     df_obj[c] = pd.factorize(df_obj[c])[0]

# if you want to one hot encode then add this line:
df_obj = pd.get_dummies(df_obj, prefix_sep='_', drop_first = True)

# merge dataframes back to one dataframe
df_final = pd.concat([df_numeric, df_obj], axis=1)

由于您的分类变量已经被分解（据我所知），您可以跳过分解并尝试一种热编码。

另请参阅this post on stats.stackexchange。

如果要标准化/标准化数字数据（而不是分类数据），请使用以下功能：

from sklearn import preprocessing

def scale_data(data, scale="robust"):
    x = data.values     
    if scale == "minmax":
        scaler = preprocessing.MinMaxScaler()
        x_scaled = scaler.fit_transform(x)
    elif scale == "standard":
        scaler = preprocessing.StandardScaler()
        x_scaled = scaler.fit_transform(x)
    elif scale == "quantile":
        scaler = preprocessing.QuantileTransformer()
        x_scaled = scaler.fit_transform(x)      
    elif scale == "robust":
        scaler = preprocessing.RobustScaler()
        x_scaled = scaler.fit_transform(x)  
    data = pd.DataFrame(x_scaled, columns = data.columns) 
    return data

scaled_df = scale_data(df_numeric, "robust")

将所有内容放在一起for your dataset：

from sklearn import preprocessing

df = pd.read_excel("default of credit card clients.xls", skiprows=1)

y = df['default payment next month'] #target variable
del df['default payment next month']

c = [2,3,4] # index of categorical data columns
r = list(range(0,24)) 
r = [x for x in r if x not in c] # get list of all other columns
df_cat = df.iloc[:, [2,3,4]].copy()
df_con = df.iloc[:, r].copy()

# factorize categorical data
for c in df_cat:
     df_cat[c] = pd.factorize(df_cat[c])[0]

# scale continuous data
scaler = preprocessing.MinMaxScaler()
df_scaled = scaler.fit_transform(df_con)
df_scaled = pd.DataFrame(df_scaled, columns=df_con.columns)

df_final = pd.concat([df_cat, df_scaled], axis=1)

#reorder columns back to original order
cols = df.columns
df_final = df_final[cols]

要进一步改善代码，请在归一化之前进行训练/测试拆分，对训练数据进行fit_transform()，对测试数据进行transform()。否则您将有数据泄漏。

是否必须为序数变量创建虚拟变量？转换也出错

1 个答案: