Python SKLearn：如何在 OneHotEncoder 之后获取特征名称？

Posted 2023-03-12

【中文标题】Python SKLearn：如何在 OneHotEncoder 之后获取特征名称？

【英文标题】：Python SKLearn: How to Get Feature Names After OneHotEncoder?

【发布时间】：2018-09-01 04:11:04

【问题描述】：

我想获取经过 SKLearn OneHotEncoder 转换后的数据集的特征名称。

在active_features_ attribute in OneHotEncoder 中可以很好地解释n_values_、feature_indices_ 和active_features_ 属性是如何在transform() 执行后填充的。

我的问题是：

例如基于 DataFrame 的输入数据：

data = pd.DataFrame("a": [0, 1, 2,0], "b": [0,1,4, 5], "c":[0,1,4, 5]).as_matrix()

代码如何从原始特征名称a、b 和c 到转换后的特征名称列表 （例如：

a-0,a-1,a-2,b-0,b-1,b-2,b-3,c-0,c-1,c-2,c-2,@987

或

a-0,a-1,a-2,b-0,b-1,b-2,b-3,b-4,b-5,b-7,@98654351@,@9867654351@

或任何有助于查看编码列与原始列的分配情况）。

背景：我想看看一些算法的特征重要性，以了解哪个特征对所用算法的影响最大。

【问题讨论】：

我不确定您需要知道什么。您想知道“从……到……”的代码。您只想列出新列的名称吗？看到编码器用来生成新列名的代码了吗？ “查看分配”会混淆问题，因为这些列未“分配给”原始列；它们派生自原始列，不再具有数据流连接..

【参考方案1】：

你可以使用pd.get_dummies():

pd.get_dummies(data["a"],prefix="a")

会给你：

    a_0 a_1 a_2
0   1   0   0
1   0   1   0
2   0   0   1
3   1   0   0

可以自动生成列名。您可以将此应用于所有列，然后获取列名称。无需将它们转换为 numpy 矩阵。

所以：

df = pd.DataFrame("a": [0, 1, 2,0], "b": [0,1,4, 5], "c":[0,1,4, 5])
data = df.as_matrix()

解决方案如下：

columns = df.columns
my_result = pd.DataFrame()
temp = pd.DataFrame()
for runner in columns:
    temp = pd.get_dummies(df[runner], prefix=runner)
    my_result[temp.columns] = temp
print(my_result.columns)

>>Index(['a_0', 'a_1', 'a_2', 'b_0', 'b_1', 'b_4', 'b_5', 'c_0', 'c_1', 'c_4',
       'c_5'],
      dtype='object')

【参考方案2】：

如果我理解正确，您可以使用feature_indices_ 来识别哪些列对应于哪个功能。

例如

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
data = pd.DataFrame("a": [0, 1, 2,0], "b": [0,1,4, 5], "c":[0,1,4, 5]).as_matrix()
ohe = OneHotEncoder(sparse=False)
ohe_fitted = ohe.fit_transform(data)
print(ohe_fitted)
print(ohe.feature_indices_) # [ 0  3  9 15]

从上面的feature_indices_我们知道如果我们拼接来自0:3的OneHotEncoded数据，我们将得到与data中第一列对应的特征，如下所示：

print(ohe_fitted[:,0:3])

拼接数据中的每一列代表第一个特征中的一个值。第一列是 0，第二列是 1，第三列是 2。为了在拼接数据上说明这一点，列标签如下所示：

  a_0 a_1 a_2
[[ 1.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]
 [ 1.  0.  0.]]

请注意，特征在编码之前先排序。

【参考方案3】：

有一个 OneHotEncoder 可以为您完成所有工作。

包 sksurv 有一个 OneHotEncoder，它将返回一个熊猫数据框，其中包含为您设置的所有列名。看看这个。确保您设置了一个环境来使用编码器，以确保它不会破坏您当前的环境。这个编码器为我节省了很多时间和精力。

scikit-suvival GitHub

OneHotEncoder Documentation

【参考方案4】：

您可以使用开源包功能引擎来做到这一点：

import pandas as pd
from sklearn.model_selection import train_test_split
from feature_engine.encoding import OneHotEncoder

# load titanic data from openML
pd.read_csv('https://www.openml.org/data/get_csv/16826755/phpMYEkMl')

# divide into train and test
X_train, X_test, y_train, y_test = train_test_split(
    data[['sex', 'embarked']],  # predictors for this example
    data['survived'],  # target
    test_size=0.3,  # percentage of obs in test set
    random_state=0)  # seed to ensure reproducibility

ohe_enc = OneHotEncoder(
    top_categories=None,
    variables=['sex', 'embarked'],
    drop_last=True)

ohe_enc.fit(X_train)

X_train = ohe_enc.transform(X_train)
X_test = ohe_enc.transform(X_test)

X_train.head()

您应该会看到返回的输出：

   sex_female  embarked_S  embarked_C  embarked_Q
501            1           1           0           0
588            1           1           0           0
402            1           0           1           0
1193           0           0           0           1
686            1           0           0           1

这里有更多关于功能引擎的细节：

https://www.trainindata.com/feature-engine

https://github.com/feature-engine/feature_engine

https://feature-engine.readthedocs.io/en/latest/

【讨论】：

您的 tmp 变量未声明！

【参考方案5】：

OneHotEncoder 现在有一个方法get_feature_names。您可以使用input_features=data.columns 来匹配训练数据。