transform的使用

from  sklearn.feature_extraction  import  DictVectorizer


DictVectorizer和fit_transform的使用：
v = DictVectorizer（sparse = False）#空白处为false
D  =  [{ 'F' : 'A' , 'B' : 'B' },{ 'F' : 'C' , 'B' : 'A' },{ 'F' : 'B' , 'B' : 'C' }] 
X  =  v .fit_transform (D)
print X
[[ 0.  1.  0.  1.  0.  0.]
 [ 1.  0.  0.  0.  0.  1.]
 [ 0.  0.  1.  0.  1.  0.]]
分析每一行的数据随机给出序列
第一行：A B
第二行：C A
第三行：B C
比较第一列有三种不同的数据ABC，存在的为1，不存在为0。
那么对应关系就是：
C A B B C A
0 1 0 1 0 0 --> A B
1 0 0 0 0 1 --> C A
0 0 1 0 1 0 --> B C


例子1：D  =  [{ 'F' : 'A' , 'B' : 'B' },{ 'F' : 'B' , 'B' : 'A' }] 
第一行：A B
第二行：B A
结果：[[ 0.  1.  1.  0.]
 [ 1.  0.  0.  1.]]
对应关系：
B A B A
0 1 1 0 -->A B
1 0 0 1 -->B A
例子12：D  =  [{ 'F' : 'A' , 'B' : 'B' },{ 'F' : 'B' , 'B' : 'C' },{ 'F' : 'C' , 'B' : 'A'}] 
第一行：A B
第二行：B C
第三行：C A
结果：[[ 0.  1.  0.  1.  0.  0.]
 [ 0.  0.  1.  0.  1.  0.]
 [ 1.  0.  0.  0.  0.  1.]]
对应关系：
C A B B C A
0 1 0 1 0 0 -->A B
0 0 1 0 1 0 -->B C
1 0 0 0 0 1 -->C A