如何在 pandas 数据帧中有效地使用 one-hot 编码规范化列?
Posted
技术标签:
【中文标题】如何在 pandas 数据帧中有效地使用 one-hot 编码规范化列?【英文标题】:How to normalize columns with one-hot encoding efficiently in pandas dataframes? 【发布时间】:2018-12-24 18:33:18 【问题描述】:显示了示例数据框的一列:
Fruit FruitA FruitB
Apple Banana Mango
Banana Apple Apple
Mango Apple Banana
Banana Mango Banana
Mango Banana Apple
Apple Mango Mango
我想在数据帧Fruit-Apple
、Fruit-Mango
、Fruit-Banana
中引入新列,并在它们分别存在的行中使用 one-hot 编码。因此,所需的输出是:
Fruit FruitA FruitB Fruit-Apple Fruit-Banana Fruit-Mango
Apple Banana Mango 1 1 1
Banana Apple Apple 1 1 0
Mango Apple Banana 1 1 1
Banana Mango Banana 0 1 1
Mango Banana Apple 1 1 1
Apple Mango Mango 1 0 1
我的代码是:
for i in range(len(data)):
if (data['Fruits'][i] == 'Apple' or data['FruitsA'][i] == 'Apple' or data['FruitsB'][i] == 'Apple'):
data['Fruits-Apple'][i]=1
data['Fruits-Banana'][i]=0
data['Fruits-Mango'][i]=0
elif (data['Fruits'][i] == 'Banana' or data['FruitsA'][i] == 'Banana' or data['FruitsB'][i] == 'Banana'):
data['Fruits-Apple'][i]=0
data['Fruits-Banana'][i]=1
data['Fruits-Mango'][i]=0
elif (data['Fruits'][i] == 'Mango' or data['FruitsA'][i] == 'Mango' or data['FruitsB'][i] == 'Mango'):
data['Fruits-Apple'][i]=0
data['Fruits-Banana'][i]=0
data['Fruits-Mango'][i]=1
但我注意到,如果有很多类型的“水果”,运行此代码所需的时间会显着增加。在我的实际数据中,只有 1074 行,而我尝试使用 one-hot 编码“标准化”的列有 18 个不同的值。因此,for 循环中有 18 个if
条件,并且代码现在还没有运行 15 分钟。这太荒谬了(很高兴知道它为什么要花这么长时间 - 在另一列中只包含 6 种不同类型的值,代码执行的时间要少得多,大约 3 分钟)。
那么,实现此输出的最佳(矢量化)方式是什么?
【问题讨论】:
【参考方案1】:将join
与get_dummies
和add_prefix
一起使用:
df = df.join(pd.get_dummies(df['Fruit']).add_prefix('Fruit-'))
print (df)
Fruit Fruit-Apple Fruit-Banana Fruit-Mango
0 Apple 1 0 0
1 Banana 0 1 0
2 Mango 0 0 1
3 Banana 0 1 0
4 Mango 0 0 1
5 Apple 1 0 0
编辑:如果输入是多列,则按列使用get_dummies
和max
:
df = (df.join(pd.get_dummies(df, prefix='', prefix_sep='')
.max(level=0, axis=1)
.add_prefix('Fruit-')))
print (df)
Fruit FruitA FruitB Fruit-Apple Fruit-Banana Fruit-Mango
0 Apple Banana Mango 1 1 1
1 Banana Apple Apple 1 1 0
2 Mango Apple Banana 1 1 1
3 Banana Mango Banana 0 1 1
4 Mango Banana Apple 1 1 1
5 Apple Mango Mango 1 0 1
为了获得更好的性能,请使用 MultiLabelBinarizer
并将 DataFrame 转换为 list
s:
from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
df = df.join(pd.DataFrame(mlb.fit_transform(df.values.tolist()),
columns=mlb.classes_,
index=df.index).add_prefix('Fruit-'))
print (df)
Fruit FruitA FruitB Fruit-Apple Fruit-Banana Fruit-Mango
0 Apple Banana Mango 1 1 1
1 Banana Apple Apple 1 1 0
2 Mango Apple Banana 1 1 1
3 Banana Mango Banana 0 1 1
4 Mango Banana Apple 1 1 1
5 Apple Mango Mango 1 0 1
【讨论】:
我已经编辑了问题中的数据框和所需的输出。 但是如果数据框中有更多列,比如VegetableA
、vegetableB
等呢?如何指定需要一次性编码的列(如问题示例中的Fruit
、FruitA
和FruitB
)?
@Kristada673 - 我认为最好使用df.filter(like='Fruit')
对于我的数据框,get_dummies
和 max
解决方案分别为每一列生成一个热编码,这不是我想要的。 sklearn 解决方案产生以下错误:TypeError: unorderable types: int() < str()
.
我没试过,但重启 jupyter notebook 内核后,get_dummies
和 max
解决方案现在可以工作了!以上是关于如何在 pandas 数据帧中有效地使用 one-hot 编码规范化列?的主要内容,如果未能解决你的问题,请参考以下文章
独热编码(one-hot)是什么?什么数据类型需要进行独热编码?pandas如何进行独热编码(one-hot)?