Question

我有一个从csv读取的Pandas DataFrame，其中有一些带有字符串值的列，但实际上是object类型。因为它们是分类的，所以我将它们转换为category，然后转换为整数表示形式，然后拟合一个随机森林回归器。

for col in df_raw.select_dtypes(include='object'):
    df_raw[col] = df_raw[col].astype('category')
    df_raw[col] = df_raw[col].cat.codes #not 'category' type anymore.

问题是，如果执行此操作，则dtype将立即转换为int，并且我丢失了cat信息，以后需要。

例如，在循环的第一行之后，我可以运行df_raw[col].cat，并且可以按预期获得索引的类别。但是，第二行执行后，列dtype更改为int8，我将收到错误：

只能将.cat访问器与“类别” dtype一起使用

从某种意义上讲，因为它的dtype是int8。

是否可以将类别编码信息保留在同一DataFrame中，并且同时具有适合于回归变量的整数编码？怎么样？

Answer 1

1。简单的想法

为什么不在回归拟合中使用派生列，例如：

df_raw[col + '_calculated'] = df_raw[col].cat.codes

通过这种方式，您可以同时拥有：一个不会更改此功能的分类列col和一个具有进一步处理所需的int s的“计算”列？

2。更聪明的方法

另一种方法可能是，在包装数据帧之前将其包装到fit方法中，这样回归器可以直接访问.cat.codes而不是类别值：

def access_wrapper(dframe, col):
   yield from dframe[col].cat.codes

fit(..., access_wrapper(df, col))

通过这种方式，您根本不会影响数据帧，也不会从df[col]复制值，而以每次访问该值调用dframe[col].cat.codes为代价（这应该很快）

在Pandas DataFrame列中进行整数编码后，将dtype保留为类别

1 个答案: