具有混合数据类型(文本、数字、分类)的 Python scikit-learn 分类
Posted
技术标签:
【中文标题】具有混合数据类型(文本、数字、分类)的 Python scikit-learn 分类【英文标题】:Python scikit-learn classification with mixed data types (text, numerical, categorical) 【发布时间】:2019-04-01 01:50:47 【问题描述】:我正在尝试使用 Pandas 和 scikit-learn 在 Python 中执行分类。我的数据集包含文本变量、数值变量和分类变量的混合体。
假设我的数据集如下所示:
Project Cost Project Category Project Description Project Outcome
12392.2 ABC This is a description Fully Funded
493992.4 DEF Stack Overflow rocks Expired
我需要预测变量Project Outcome
。这是我所做的(假设df
包含我的数据集):
我将类别Project Category
和Project Outcome
转换为数值
df['Project Category'] = df['Project Category'].factorize()[0]
df['Project Outcome'] = df['Project Outcome'].factorize()[0]
数据集现在看起来像这样:
Project Cost Project Category Project Description Project Outcome
12392.2 0 This is a description 0
493992.4 1 Stack Overflow rocks 1
然后我使用TF-IDF
处理文本列
tfidf_vectorizer = TfidfVectorizer()
df['Project Description'] = tfidf_vectorizer.fit_transform(df['Project Description'])
数据集现在看起来像这样:
Project Cost Project Category Project Description Project Outcome
12392.2 0 (0, 249)\t0.17070240732941433\n (0, 304)\t0.. 0
493992.4 1 (0, 249)\t0.17070240732941433\n (0, 304)\t0.. 1
所以既然所有变量现在都是数值,我想我最好开始训练我的模型
X = df.drop(columns=['Project Outcome'], axis=1)
y = df['Project Outcome']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
model = MultinomialNB()
model.fit(X_train, y_train)
但我在尝试执行model.fit
时收到错误ValueError: setting an array element with a sequence.
。当我打印X_train
时,我注意到Project Description
出于某种原因被NaN
替换了。
对此有任何帮助吗?有没有一种使用具有各种数据类型的变量进行分类的好方法?谢谢。
【问题讨论】:
你能不能在所有转换之前尝试做df.isnull().sum().sum()
。
如果这就是您的意思,则没有缺失值,它们在上述步骤之前已从数据集中删除。
【参考方案1】:
替换这个
df['Project Description'] = tfidf_vectorizer.fit_transform(df['Project Description'])
与
df['Project Description'] = tfidf_vectorizer.fit_transform(df['Project Description']).toarray()
你也可以使用:tfidf_vectorizer.fit_transform(df['Project Description']).todense()
此外,您不应简单地将类别转换为数字。例如,如果您将 A、B 和 C 转换为 0,1 和 2。它们被视为 2>1>0,因此 C>B>A 通常不是这种情况,因为 A 与 B 和 C 不同。对于你可以使用 One-Hot-Encoding(在 Pandas 中你可以使用 'get_dummies')。您可以将以下代码用于所有分类特征。
#df has all not categorical features
featurelist_categorical = ['Project Category', 'Feature A',
'Feature B']
for i,j in zip(featurelist_categorical, ['Project Category','A','B']):
df = pd.concat([df, pd.get_dummies(data[i],prefix=j)], axis=1)
特征前缀不是必需的,但在多个分类特征的情况下会特别帮助您。
此外,如果您出于某种原因不想将功能拆分为数字,则可以使用 H2O.ai。使用 H2O,您可以直接将分类变量作为文本输入模型。
【讨论】:
【参考方案2】:问题出现在第 2 步,tfidf_vectorizer.fit_transform(df['Project Description'])
,因为 tfidf_vectorizer.fit_transform returns a sparse matrix,然后以压缩形式存储在 df['Project Description'] 列中。您希望将结果保留为模型训练和测试的稀疏(或不太理想的密集)矩阵。这是以密集形式准备数据的示例代码
import pandas as pd
import numpy as np
df = pd.DataFrame('project_category': [1,2,1],
'project_description': ['This is a description','*** rocks', 'Another description'])
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf_vectorizer = TfidfVectorizer()
X_tfidf = tfidf_vectorizer.fit_transform(df['project_description']).toarray()
X_all_data_tfidf = np.hstack((df['project_category'].values.reshape(len(df['project_category']),1), X_train_tfidf))
我们在“project_category”中添加的最后一行,如果您想将其作为一个特征包含在您的模型中。
【讨论】:
以上是关于具有混合数据类型(文本、数字、分类)的 Python scikit-learn 分类的主要内容,如果未能解决你的问题,请参考以下文章