逐列矢量化2D字符数组

时间:2018-11-04 15:20:38

标签: python numpy scikit-learn

我有一个2D numpy数组,如下所示:

a=np.array([["Science", "Blue", 3],
            ["Math", "Red", 4],
            ["Math", "Red", 5],
            ["Science", "Red", 3]])

我需要按列将其转换为数值,如下所示(期望的输出):

out=np.array([[0, 0, 0],
              [1, 1, 1],
              [1, 1, 2], 
              [0, 1, 0]])

但是,为了实现下游可解释性,我还需要一个输出以从数字值追溯到原始值。我在想这样的事情:

trace_back_dict = {0: {0: "Science", 1: "Math"}, 
                   1: {0: "Blue", 1: "Red"}, 
                   2: {0: 3, 1: 4, 2: 5}}

其中外键是原始数组的列索引,而内字典则给出了数字字符值的映射。

是否有一种简便的方法,最好是sklearn风格的东西,我可以先做fit_transform,然后再做transform(用于训练和测试装置)?< / p>

我正在查看sklearn的{​​{1}},基本上我需要在每一列上应用不同的列。关于如何有效执行此操作的任何建议?

谢谢!

杰克

1 个答案:

答案 0 :(得分:5)

您可以使用OrdinalEncoder

In [25]: a = [['Science', 'Blue', 3], ['Math', 'Red', 4], ['Math', 'Red', 5], ['Science', 'Red', 3]]

In [26]: enc = sklearn.preprocessing.OrdinalEncoder()

In [27]: enc.fit(a)
Out[27]: OrdinalEncoder(categories='auto', dtype=<class 'numpy.float64'>)

In [28]: enc.transform(a)
Out[28]: 
array([[1., 0., 0.],
       [0., 1., 1.],
       [0., 1., 2.],
       [1., 1., 0.]])

In [29]: enc.categories_
Out[29]: 
[array(['Math', 'Science'], dtype=object),
 array(['Blue', 'Red'], dtype=object),
 array([3, 4, 5], dtype=object)]

In [30]: trace_back_dict = {i: dict(enumerate(v)) for i, v in enumerate(enc.categories_)}

In [31]: trace_back_dict
Out[31]: {0: {0: 'Math', 1: 'Science'}, 1: {0: 'Blue', 1: 'Red'}, 2: {0: 3, 1: 4, 2: 5}}