Question

我正在使用one_hot中的mltools函数将2个变量的熔融数据帧转换成一个宽数据帧，其中每个变量（除索引外）都是一个因子水平。

在熔融框架中有25,000行，只有2个变量-一个是800级的因子，另一个是索引，所以我可以在以后合并。

我将使用各种机器学习包，因此需要以可接受的方式表示800个因子水平。

但是，当我使用one_hot时，我得到了一个包含801列的框架，这是正确的（800个因子水平+ 1个索引）。但我仍然有25,000行。索引中以唯一值表示的原始观测值的数量为1,000。

所以，我的问题是-最佳做法是，每一个热变量每行仅具有一个正值吗？现在将其折叠起来是否有缺点，所以每一行都是一个观察值？

谢谢。

Answer 1

我将根据您提供的信息回答问题。

您基本上拥有一个变量（具有800个水平的因子变量，由import sqlite3 import sys def login(): while True: username = input("Please enter your username: ") password = input("Please enter your password: ") with sqlite3.connect("wtf.db") as db: cursor = db.cursor() find_user = ("SELECT * FROM user WHERE username=? AND password=?") cursor.execute(find_user, [(username), (password)]) results = cursor.fetchall() if results is True: for i in results: print("Welcome "+i[1]) break else: print("Username and password not reconized or registered") again = input("Do you want to try again?(y/n) ") if again.lower() == "n": print("bye") sys.exit() login()表示的 25,000个索引观测值（由id表示））。您可以做的是：

按因子变量分组（例如，通过val）
添加频率计数（例如，通过group_by()）
一键式变量（freq = n()软件包确实非常有用）

这将使您没有索引，但是有一个 2 x 801表，其中包含每个一个热点变量（列1： 800）及其频率（在第801列中）。许多框架可以很好地处理此类数据，但是如果没有更多信息，就不可能专门回答。

mltools

代码

> str(result)
Classes ‘data.table’ and 'data.frame':  800 obs. of  801 variables:
 $ val_AAL5 : int  1 0 0 0 0 0 0 0 0 0 ...
 $ val_ABP14: int  0 1 0 0 0 0 0 0 0 0 ...
 $ val_ACQ8 : int  0 0 1 0 0 0 0 0 0 0 ...
 $ val_ADU8 : int  0 0 0 1 0 0 0 0 0 0 ...
 $ val_AEB16: int  0 0 0 0 1 0 0 0 0 0 ...
 $ val_AEX17: int  0 0 0 0 0 1 0 0 0 0 ...
 $ val_AGQ4 : int  0 0 0 0 0 0 1 0 0 0 ...
 $ val_AHS8 : int  0 0 0 0 0 0 0 1 0 0 ...
 $ val_AHV2 : int  0 0 0 0 0 0 0 0 1 0 ...
 $ val_AHX16: int  0 0 0 0 0 0 0 0 0 1 ...
 $ val_AIV19: int  0 0 0 0 0 0 0 0 0 0 ...
...

数据

df <- df %>%
    group_by(val) %>%
    summarise(freq = n()) 
dt <- as.data.table(df)
result <- one_hot(dt)

在一种热编码中每行有多个值-建议这样做吗？

1 个答案:

代码

数据