Scikit-Learn - one-hot 编码熊猫数据帧的某些列
Posted
技术标签:
【中文标题】Scikit-Learn - one-hot 编码熊猫数据帧的某些列【英文标题】:Scikit-Learn - one-hot encoding certain columns of a pandas dataframe 【发布时间】:2020-05-25 23:35:11 【问题描述】:我有一个数据框X
,其中包含整数、浮点数和字符串列。我想对每个“对象”类型的列进行一次热编码,所以我正在尝试这样做:
encoding_needed = X.select_dtypes(include='object').columns
ohe = preprocessing.OneHotEncoder()
X[encoding_needed] = ohe.fit_transform(X[encoding_needed].astype(str)) #need astype bc I imputed with 0, so some rows have a mix of zeroes and strings.
但是,我最终得到了IndexError: tuple index out of range
。根据编码器期望的X: array-like, shape [n_samples, n_features]
,我不太了解documentation,所以我应该可以传递数据帧。如何对encoding_needed
中特别标记的列列表进行一次性编码?
编辑:
数据是机密的,所以我不能分享它,我也不能创建一个虚拟的,因为它有 123 列。
我可以提供以下内容:
X.shape: (40755, 123)
encoding_needed.shape: (81,) and is a subset of columns.
全栈:
---------------------------------------------------------------------------
IndexError Traceback (most recent call last)
<ipython-input-90-6b3e9fdb6f91> in <module>()
1 encoding_needed = X.select_dtypes(include='object').columns
2 ohe = preprocessing.OneHotEncoder()
----> 3 X[encoding_needed] = ohe.fit_transform(X[encoding_needed].astype(str))
~/anaconda3/envs/python3/lib/python3.6/site-packages/pandas/core/frame.py in __setitem__(self, key, value)
3365 self._setitem_frame(key, value)
3366 elif isinstance(key, (Series, np.ndarray, list, Index)):
-> 3367 self._setitem_array(key, value)
3368 else:
3369 # set column
~/anaconda3/envs/python3/lib/python3.6/site-packages/pandas/core/frame.py in _setitem_array(self, key, value)
3393 indexer = self.loc._convert_to_indexer(key, axis=1)
3394 self._check_setitem_copy()
-> 3395 self.loc._setitem_with_indexer((slice(None), indexer), value)
3396
3397 def _setitem_frame(self, key, value):
~/anaconda3/envs/python3/lib/python3.6/site-packages/pandas/core/indexing.py in _setitem_with_indexer(self, indexer, value)
592 # GH 7551
593 value = np.array(value, dtype=object)
--> 594 if len(labels) != value.shape[1]:
595 raise ValueError('Must have equal len keys and value '
596 'when setting with an ndarray')
IndexError: tuple index out of range
【问题讨论】:
请提供您的数据样本和完整错误回溯,而不仅仅是最后一行 @G.Anderson 我更新了问题。 【参考方案1】:# example data
X = pd.DataFrame('int':[0,1,2,3],
'float':[4.0, 5.0, 6.0, 7.0],
'string1':list('abcd'),
'string2':list('efgh'))
int float string1 string2
0 0 4.0 a e
1 1 5.0 b f
2 2 6.0 c g
3 3 7.0 d h
使用pandas
使用pandas.get_dummies
,它会自动选择您的object
列并删除这些列,同时附加单热编码列:
pd.get_dummies(X)
int float string1_a string1_b string1_c string1_d string2_e \
0 0 4.0 1 0 0 0 1
1 1 5.0 0 1 0 0 0
2 2 6.0 0 0 1 0 0
3 3 7.0 0 0 0 1 0
string2_f string2_g string2_h
0 0 0 0
1 1 0 0
2 0 1 0
3 0 0 1
使用sklearn
这里我们必须指定我们只需要object
列:
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder()
X_object = X.select_dtypes('object')
ohe.fit(X_object)
codes = ohe.transform(X_object).toarray()
feature_names = ohe.get_feature_names(['string1', 'string2'])
X = pd.concat([df.select_dtypes(exclude='object'),
pd.DataFrame(codes,columns=feature_names).astype(int)], axis=1)
int float string1_a string1_b string1_c string1_d string2_e \
0 0 4.0 1 0 0 0 1
1 1 5.0 0 1 0 0 0
2 2 6.0 0 0 1 0 0
3 3 7.0 0 0 0 1 0
string2_f string2_g string2_h
0 0 0 0
1 1 0 0
2 0 1 0
3 0 0 1
【讨论】:
在执行 ohe.fit(df["sales"]) 时出现错误,因为 ValueError: Expected 2D array, got 1D array instead: array=['ab' 'vg' 'ab' ' iu''ab''vg''iu']。如果您的数据具有单个特征,则使用 array.reshape(-1, 1) 重塑您的数据,如果它包含单个样本,则使用 array.reshape(1, -1)。【参考方案2】:没有看到您的数据,我很难找到您的错误。你可以试试 pandas 的get_dummies
方法吗?
pd.get_dummies(X[encoding_needed])
【讨论】:
X[encoding_needed] = pd.get_dummies(X[encoding_needed])
导致ValueError: Columns must be same length as key
。以上是关于Scikit-Learn - one-hot 编码熊猫数据帧的某些列的主要内容,如果未能解决你的问题,请参考以下文章
Keras scikit-learn 包装器在使用 one-hot 编码标签的交叉验证中的评分指标
使用 Scikit-learn 确定 RF 模型中每个类别的特征重要性