#Python 将类别特征转换为特征（即将特征列转换为行特征）

抛出问题

倘若现在我们有以下的表格，我们要使用机器学习的模型对它进行建模分析（标签未列出），然后看到这些文字特征我们首先第一反应就是对它进行One-Hot处理。

城市	食品	饮品
广州	牛奶	果汁
深圳	面包	椰汁
北京	烤鸭	二锅头
武汉	热干面	牛奶
汕头	牛肉丸	牛肉汤

One-Hot后的结果就变成了

城市	食品	饮品
0001	0001	0100
0010	0010	0010
0011	0011	0011
0100	0100	0001
0101	0101	0101

这只是简单的One-Hot处理，我们把相同的东西用同样的One-Hot编码替代，但我们从表格中可以看出，牛奶在食品中出现过，在饮品中也出现过，它在One-Hot之后的值是一样的，都是0001。

类似相关的问题例如基因，当出现了等位基因的情况，或者是A染色体上的某个基因的代号与B染色体上的某个基因代号是相同的时候，我们要如何得知，该基因在One-Hot了之后的重要性到底是多少呢？

然后，找了很多资料，写了个代码如下：Python能力不强，代码写的有点笨，有建议可以评论一下。

import re
import numpy as np
import pandas as pd

df = pd.read_csv('.\\bingli.csv', header=None, encoding='gbk').fillna('nan').values

# 声明存放无重复列名的列表
# fea = [[]]
# 声明存放新列名的列表
ndf = []
kf = []
# 在df表的列进行循环
for i in range(0, len(df[0])):
    # 声明基因的名称的列表
    ldf = []
    # 将列名取出来
    locname = df[0][i]
    
    # 在df表的行创建循环
    for j in range(len(df)):
        # 取出每个基因的名称
        name = df[j][i]
        # 跳过列名，且删除掉字段中的'\t'字符
        if j != 0:
            name = str(re.sub(r'\D', "", df[j][i]))
        # 如果基因的名称不在列表中且不为nan和空格，则加入列名列表中
        if name not in ldf and name != 'nan' and name != "":
            ldf.append(name)
    # print(sorted(ldf))
    # 使用fea列表存储列名，用于统计
    # fea.append(ldf)
    # 将列名排序后，为每个列名加上基因名称的后缀
    for k in sorted(ldf):
        if k == locname:
            pass
        else:
            kf.append(locname + '_' + k)
ndf.append(kf)


# =============================================================================
# 在原表df中按行循环：
#     取出每个列的列名和编码
#     使用if语句进行判读
# =============================================================================
for i in range(1, len(df)):
    tmp = []
    indexs = []

    # 从原表的行中按个循环
    for j in range(len(df[i])):
        # 获取基因编码和列名
        feaname = df[i][j]
        colname = df[0][j]
        if feaname == "" or feaname == 'nan':
            pass
        else:
            # 去除基因编码的多余WhiteSpace等，仅保留数字
            feaname = str(re.sub(r'\D', "", feaname))
            # 判断否个特征的数据是否出现过，如出现了，则找出它的index
            for k in range(len(ndf[0])):
                if ndf[0][k].startswith(colname) and ndf[0][k].endswith(feaname):
                    # print(ndf[0][k], colna, feaname, k,)
                    indexs.append(k)
    # 根据index给样本加1
    for h in range(len(ndf[0])):
        if h in indexs:
            tmp.append(1)
        else:
            tmp.append(0)
            
    ndf.append(tmp)

这个代码的效果主要是，将这种格式的数据

变成：

也就是使用特征名称加上数据组合成新的特征，然后在样本中出现过的标为1，否则为0。

其实我现在有点犹豫，这么做到底有没有意义？Catboost是可以直接跑，只要设置特征列就好了，其他的模型就不行，但是这样处理后就会造成一个数据稀疏的问题，毕竟一行的1太少了，而0太多了。