数据预处理系列：（六）标签特征二元化

声明：版权所有，转载请联系作者并注明出处 http://blog.csdn.net/u013719780?viewmode=contents

博主简介：风雪夜归子（英文名: Allen），机器学习算法攻城狮，喜爱钻研Machine Learning的黑科技，对Deep Learning和Artificial Intelligence充满兴趣，经常关注kaggle数据挖掘竞赛平台，对数据、Machine Learning和Artificial Intelligence有兴趣的各位童鞋可以一起探讨哦，个人CSDN博客： http://blog.csdn.net/u013719780?viewmode=contents

标签特征二元化

在这个主题中，我们将用另一种方式来演示分类变量。有些时候只有一两个分类特征是重要的，这时就要避免多余的维度，如果有多个分类变量就有可能会出现这些多余的维度。

Getting ready

处理分类变量还有另一种方法，不需要通过OneHotEncoder，我们可以用LabelBinarizer。这是一个阈值与分类变量组合的方法。演示其用法之前，让我们加载iris数据集：

In [1]:

from sklearn import datasets as d
iris = d.load_iris()
target = iris.target

How to do it...

导入LabelBinarizer()创建一个对象：

In [2]:

from sklearn.preprocessing import LabelBinarizer
label_binarizer = LabelBinarizer()

现在，将因变量的值转换成一个新的特征向量：

In [3]:

new_target = label_binarizer.fit_transform(target)

让我们看看new_target和label_binarizer对象的结果：

In [4]:

new_target.shape

Out[4]:

(150, 3)

In [5]:

new_target[:5]

Out[5]:

array([[1, 0, 0],
       [1, 0, 0],
       [1, 0, 0],
       [1, 0, 0],
       [1, 0, 0]])

In [6]:

new_target[-5:]

Out[6]:

array([[0, 0, 1],
       [0, 0, 1],
       [0, 0, 1],
       [0, 0, 1],
       [0, 0, 1]])

In [9]:

label_binarizer.classes_

Out[9]:

array([0, 1, 2])

How it works...

iris的因变量基数为3，就是说有三种值。当LabelBinarizer将 N×1 N×1向量转换成 N×C N×C矩阵时， C C就是 N×1 N×1向量的基数。需要注意的是，当label_binarizer处理因变量之后，再转换基数以外的值都是[0,0,0]：

In [15]:

label_binarizer.transform([4])

Out[15]:

array([[0, 0, 0]])

There's more...

0和1并不一定都是表示因变量中的阳性和阴性实例。例如，如果我们需要用1000表示阳性值，用-1000表示阴性值，我们可以用label_binarizer处理：

In [22]:

label_binarizer = LabelBinarizer(neg_label=-1000, pos_label=1000)
label_binarizer.fit_transform(target)[:5]

Out[22]:

array([[ 1000, -1000, -1000],
       [ 1000, -1000, -1000],
       [ 1000, -1000, -1000],
       [ 1000, -1000, -1000],
       [ 1000, -1000, -1000]])

阳性和阴性值的唯一限制是，它们必须为整数。