具有混合数据类型（文本、数字、分类）的 Python scikit-learn 分类

Posted 2023-03-12

【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。

【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。