如何将数据框列的分类值转换为 sckikit-learn 中的单热编码列？

Posted 2023-03-12

【中文标题】如何将数据框列的分类值转换为 sckikit-learn 中的单热编码列？

【英文标题】：How to transform categorical values of a dataframe column to a one-hot encoded columns in sckikit-learn?

【发布时间】：2020-03-21 17:22:45

【问题描述】：

鉴于数据帧df 的分类值['A', 'B','C'] 的列letters，我想获得数据帧中的许多列，其中每一行只有一个与原始分类值对应的非零值。

例如来自数据框

letters
A
C
A
C

我想拥有：

A    B    C
1    0    0
0    0    1 
1    0    0
0    0    1

现在在 pandas 中这很容易：

dummies = pd.get_dummies(df.letters)
res = pd.concat([df, dummies], axis=1)
df.drop('letters', axis=1, inplace=True)

在 scikit 中可以使用LabelBinarizer：

from sklearn.preprocessing import LabelBinarizer
cat_col = df["letters"]
encoder = LabelBinarizer()
col_1hot = encoder.fit_transform(cat_col)
col_1hot.toarray()

然而，这只是一个1-0 矩阵，我丢失了对原始分类值的引用。因此，我不能假设第一个 1-hot 列是 A，第二个是 B，依此类推。 那么如何在 SciKit learn 中执行 one-hot encoding 来获取数据帧呢？

编辑

@Joe Halliwell 建议做一些事情lb.inverse_transform(onehot) 所以在这个特定的情况下我做了

lb = preprocessing.LabelBinarizer()
onehot = lb.fit_transform(df)
res = pd.DataFrame(data=onehot, columns=lb.inverse_transform(onehot).reshape(-1,))

在这种情况下有效，因为行数等于类别。如果我有更多行，这将不再起作用

【参考方案1】：

您不能使用 SciKit Learn 来获取 DataFrame。但是，您可以在已安装的 LabelBinarizer 上调用 inverse_transform 方法来检索标签，例如

import pandas as pd
from sklearn import preprocessing

df = pd.DataFrame("foo": ["A", "C", "B", "A"])
lb = preprocessing.LabelBinarizer()
onehot = lb.fit_transform(df)
print(lb.inverse_transform(onehot))

因此，为了检索 one-hot 编码矩阵中列的标签，您可以通过逆变换运行单位矩阵：

print(lb.inverse_transform(np.identity(onehot.shape[1]))

【讨论】：

lb.inverse_transform(encoder) 在行数等于类别数时可能很有用，但否则无济于事：请参阅我的问题的编辑

我添加了一条关于如何以正确顺序检索所有标签的注释。