如何使用不同尺寸的多个分类输入变量为随机森林回归模型？

Posted 2021-05-07

我有介绍通过释放过程持续一个项目的数据。该项目具有不同的变量，如“产品类别”，“Design_country”，“产品系列”等。在总的I有18种不同的类型的二进制或分类数据。这些不同的变量是不同的尺寸。例如有3个不同设计的国家，而8个不同的产品类别。输出变量是它需要一个项目要经过释放的过程，这是一个连续变量的时间。我想预测多久会采取一个项目要经过的过程。

 Design_cntry      Prod_category    prod_line    ...   time_minutes
     A                  A1             A11       ...     43.2
     B                  B1             A11       ...     20.1    
     C                  E1             B11       ...     15.0
    ...                ...             ...       ...     ....

为了让我使用这些作为输入到随机森林回归，我该如何处理不同的输入变量？

我知道，使用分类变量，你可以申请一个热码。但我这样做对每个单独的变量？

 X_des_country = pd.get_dummies([data['design_cntry'], prefix = "design_country")
 X_prod_cat = pd.get_dummies([data['prod_cat'], prefix = "prod_cat")

然后我会在不同的列数的18个不同的输入dataframes。我怎么那么训练我的模型时，使用这些变量作为输入？我把所有的人都一个数据帧“X”由内相对于指数合并？

或者是更好的直接原数据帧应用一个热码？

   X = df.drop("time_minutes", axis = 1)
   X = pd.get_dummies(X)

答案

作为（重要）侧面说明，以避免虚拟变量陷阱，你需要删除一个值，为每个分类变量：您可以通过在drop_first=True加入pd.get_dummies做

为了您的回归模型，你可以放在一起所有这些新功能，并用它来训练你的模型。但是你没有创建18个不同的DataFrames，你可以一次做这一切：

>>> df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],'C': [1, 2, 3]})
   A  B  C
0  a  b  1
1  b  a  2
2  a  c  3

>>> pd.get_dummies(df, drop_first=True)
   C  A_b  B_b  B_c
0  1    0    1    0
1  2    1    0    0
2  3    0    0    1

这将仅适用于分类变量（即CHAR列）创建虚拟变量，离开INT列，因为它们（上述CF C列）。如果您的变量中的一个仅包含整数，但你希望它被看作是一个分类变量，只需将其转换为字符变量提前。