机器学习---字典特征提取---python + sklearn

from sklearn.feature_extraction import DictVectorizer

"""
字典特征提取： DictVectorizer(sparse = True,...) -> one-hot编码：每一个类别为列
应用场景：
    1）数据集中类别特征比较多
        1. 将数据集中的特征 -> 字典类型
        2. DictVectorizer 转换
    2）本身数据类型就是字典类型
"""


def dict_demo():
    data = [{'city': "北京", 'temperature': 100},
            {'city': "上海", 'temperature': 60},
            {'city': "深圳", 'temperature': 30}]
    # 1. 实例一个转换器类(sparse=False 为原来， 默认为 True)
    transfer = DictVectorizer(sparse=False)
    # 2. 调用 fit_transform() 提取 , 返回一个sparse矩阵（稀疏矩阵）
    data_new = transfer.fit_transform(data)
    print(transfer.get_feature_names())     # 打印特征名称
    print(data_new)                         # 打印特征矩阵
    return None


if __name__ == '__main__':
    dict_demo()