一种热编码保留用于插补的 NA

Posted 2023-03-12

【中文标题】一种热编码保留用于插补的 NA

【英文标题】：One Hot Encoding preserve the NAs for imputation

【发布时间】：2021-06-08 08:08:36

【问题描述】：

我正在尝试使用 KNN 在 python 中输入分类变量。

为此，一种典型的方法是在之前对变量进行一次热编码。但是 sklearn OneHotEncoder() 不处理 NA，因此您需要将它们重命名为创建单独变量的名称。

可重现的小例子：

import pandas as pd
import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.impute import SimpleImputer

#Create random pandas with categories to impute
data0 = pd.DataFrame(columns=["1","2"],data = [["A",np.nan],["B","A"],[np.nan,"A"],["A","B"]])

原始数据框：

data0
     1    2
0    A  NaN
1    B    A
2  NaN    A
3    A    B

继续进行一种热编码：

#Rename for sklearn OHE
enc_missing = SimpleImputer(strategy="constant",fill_value="missing")
data1 = enc_missing.fit_transform(data0)
# Perform OHE:
OHE = OneHotEncoder(sparse=False)
data_OHE = OHE.fit_transform(data1) 

Data_OHE 现在是一种热编码：

Data_OHE
array([[1., 0., 0., 0., 0., 1.],
       [0., 1., 0., 1., 0., 0.],
       [0., 0., 1., 1., 0., 0.],
       [1., 0., 0., 0., 1., 0.]])

但是由于单独的“缺失”类别 - 我没有任何 nans 可以估算了。

我想要的一种热编码输出

array([[1,        0,      np.nan, np.nan],
       [0,        1,        1,       0   ],
       [np.nan, np.nan,     1,       0   ], 
       [1,        0,        0,       1   ]
       ])

这样我就保留了 nans 以供以后估算。

你知道有什么办法吗？

据我了解，这已在 scikit-learn Github repo here 中讨论过 和here，即让OneHotEncoder 使用handle_missing 参数自动处理此问题，但我不确定他们的工作状态。

【参考方案1】：

OneHotEncoder 中缺失值的处理最终被合并到 PR17317 中，但它只是将缺失值视为一个新类别（如果我理解正确，没有其他处理选项）。

this answer 中描述了一种手动方法。由于上面的 PR，第一步现在不是绝对必要的，但也许用自定义文本填充会更容易找到该列？

【讨论】：

谢谢，这正是我想要的！ - 希望有一天能在 OneHotEncoder 中直接实现这一点..

你好，本。我能够执行您的答案中提供的步骤来制作一个热编码。但是您将如何将其放入 sklearn 管道中呢？如果我使用 BaseEstimator 和 TransformerMixin 创建自己的 MyOneHotEncoder 类，则由于：“拟合数据集与要转换的数据集之间的维度不兼容”，它无法适合测试数据。我怀疑这是因为 sklearn OneHotEncoder 现在包装在我自己的类中，因此 "handle_unknown = ignore" 不再发挥其作用。可能适合在这里发表新帖子而不是评论.. Kr Kasper

我没有追求编写自定义估算器，因为它看起来不太容易且相当小众。但如果您已经开始，我（可能还有其他人）会很乐意回答具体的新问题。

但它是利基市场吗？我的意思是，我看到很多人想要使用 KNN（或其他需要 OHE 的方法）来估算分类变量，这似乎是唯一的方法？我是否完全错过了在分类变量上使用 KNN 的替代方法？管道设置更多是因为这是我的首选，以确保我们在评估模型性能时在训练/测试之间没有信息泄漏。可能会就我的问题发布另一个问题，关于如何将此自定义函数放入管道中。

我在***.com/questions/66635031/…中设置了一个新问题