背景:
在拿到的数据里,经常有分类型变量的存在,如下:
球鞋品牌:Nike、adidas、 Vans、PUMA、CONVERSE
性别:男、女
颜色:红、黄、蓝、绿
However,sklearn大佬不能直接分析这类变量呀。在回归,分类,聚类等机器学习算法中,特征之间距离的计算或相似度的计算是算法关键部分,而常用的距离或相似度的计算都是在欧式空间的相似度计算,计算余弦相似性,基于的就是欧式空间。于是,我们要对这些分类变量进行哑变量处理,又或者叫虚拟变量。
缺点:
当类别的数量很多时,特征空间会变得非常大。在这种情况下,一般可以用PCA来减少维度。而且one hot encoding+PCA这种组合在实际中也非常有用。有些基于树的算法在处理变量时,并不是基于向量空间度量,数值只是个类别符号,即没有偏序关系,所以不用进行独热编码。Tree Model不太需要one-hot编码: 对于决策树来说,one-hot的本质是增加树的深度。
In summary,
要是one hot encoding的类别数目不太多,可优先考虑。
一.pd.get_dummies()简单&粗暴
pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False, dtype=None)
官网文档:
http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.get_dummies.html
输入:array-like, Series, or DataFrame
输出:DataFrame
主要参数说明:
data : array-like, Series, or DataFrame
prefix : 给输出的列添加前缀,如prefix="A",输出的列会显示类似
prefix_sep : 设置前缀跟分类的分隔符sepration,默认是下划线"_"
一般,我们输入data就够了。如果要专门关注Nan这类东东,可设置dummy_na=True,专门生成一列数据。
见下面的栗子:(简直不要太容易)
import numpy as np
import pandas as pd
data = pd.DataFrame({"学号":[1001,1002,1003,1004],
"性别":["男","女","女","男"],
"学历":["本科","硕士","专科","本科"]})
data
学历 | 学号 | 性别 | |
---|---|---|---|
0 | 本科 | 1001 | 男 |
1 | 硕士 | 1002 | 女 |
2 | 专科 | 1003 | 女 |
3 | 本科 | 1004 | 男 |
pd.get_dummies(data)
学号 | 学历_专科 | 学历_本科 | 学历_硕士 | 性别_女 | 性别_男 | |
---|---|---|---|---|---|---|
0 | 1001 | 0 | 1 | 0 | 0 | 1 |
1 | 1002 | 0 | 0 | 1 | 1 | 0 |
2 | 1003 | 1 | 0 | 0 | 1 | 0 |
3 | 1004 | 0 | 1 | 0 | 0 | 1 |
pd.get_dummies(data,prefix="A")
学号 | A_专科 | A_本科 | A_硕士 | A_女 | A_男 | |
---|---|---|---|---|---|---|
0 | 1001 | 0 | 1 | 0 | 0 | 1 |
1 | 1002 | 0 | 0 | 1 | 1 | 0 |
2 | 1003 | 1 | 0 | 0 | 1 | 0 |
3 | 1004 | 0 | 1 | 0 | 0 | 1 |
pd.get_dummies(data,prefix=["A","B"],prefix_sep="+")
学号 | A+专科 | A+本科 | A+硕士 | B+女 | B+男 | |
---|---|---|---|---|---|---|
0 | 1001 | 0 | 1 | 0 | 0 | 1 |
1 | 1002 | 0 | 0 | 1 | 1 | 0 |
2 | 1003 | 1 | 0 | 0 | 1 | 0 |
3 | 1004 | 0 | 1 | 0 | 0 | 1 |
二.sklearn的崽一:LabelEncoder 将不连续的数字or文本进行编号
sklearn.preprocessing.LabelEncoder()
官方文档:
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
le.fit([1,5,67,100])
le.transform([1,1,100,67,5])
#输出: array([0,0,3,2,1])
array([0, 0, 3, 2, 1], dtype=int64)
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
le.fit([1, 3, 3, 7])
LabelEncoder()
le.transform([1, 1, 3, 7])
#array([0, 0, 1, 2]...)
le.classes_ #查看分类
#array([1, 2, 6])
le.inverse_transform([0, 0, 1, 2]) #transform的逆向
#array([1, 1, 2, 6])
array([1, 1, 3, 7])
三.sklearn的崽二:OneHotEncoder 对表示分类的数字进行编码,输出跟dummies一样
sklearn.preprocessing.OneHotEncoder(n_values=None, categorical_features=None, categories=None, sparse=True, dtype=<class ‘numpy.float64’>, handle_unknown=’error’)
官方文档:
https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html
注意:
输入的应该是表示类别的数字,如果输入文本,会报错的。
from sklearn.preprocessing import OneHotEncoder
OHE = OneHotEncoder()
OHE.fit(data)
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-7-ba3b2772e40d> in <module>()
1 from sklearn.preprocessing import OneHotEncoder
2 OHE = OneHotEncoder()
----> 3 OHE.fit(data)
F:Anacondalibsite-packagessklearnpreprocessingdata.py in fit(self, X, y)
1954 self
1955 """
-> 1956 self.fit_transform(X)
1957 return self
1958
F:Anacondalibsite-packagessklearnpreprocessingdata.py in fit_transform(self, X, y)
2017 """
2018 return _transform_selected(X, self._fit_transform,
-> 2019 self.categorical_features, copy=True)
2020
2021 def _transform(self, X):
F:Anacondalibsite-packagessklearnpreprocessingdata.py in _transform_selected(X, transform, selected, copy)
1807 X : array or sparse matrix, shape=(n_samples, n_features_new)
1808 """
-> 1809 X = check_array(X, accept_sparse='csc', copy=copy, dtype=FLOAT_DTYPES)
1810
1811 if isinstance(selected, six.string_types) and selected == "all":
F:Anacondalibsite-packagessklearnutilsvalidation.py in check_array(array, accept_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, warn_on_dtype, estimator)
400 force_all_finite)
401 else:
--> 402 array = np.array(array, dtype=dtype, order=order, copy=copy)
403
404 if ensure_2d:
ValueError: could not convert string to float: '男'
看到,OneHotEncoder处理不了字符串。要先用
data3 = le.fit_transform(data["性别"])
OHE.fit(data3.reshape(-1,1))
OHE.transform(data3.reshape(-1,1)).toarray()
array([[ 0., 1.],
[ 1., 0.],
[ 1., 0.],
[ 0., 1.]])
对因变量y不能用OneHotEncoder,要用LabelBinarizer。