预处理之类别特征编码_数据预处理的类别编码-CSDN博客

本文链接：https://blog.csdn.net/xc_xc_xc/article/details/75003552

前言：在数据预处理过程中，通常需要对类别特征进行编码，以便机器学习模型能够使用数据。本文介绍sklearn 中的DictVectorizer函数，完成上述任务。

注：文章以kaggle比赛中的House Prices: Advanced Regression Techniques 数据为例，网址：https://www.kaggle.com/c/house-prices-advanced-regression-techniques

首先先读出train数据，观察数据格式：

import pandas as pd
import numpy as np

train_data = pd.read_csv('train.csv')

数据如下：

这里写图片描述

观察特征LotShape，发现特征值可以取值为
{
Reg Regular
IR1 Slightly irregular
IR2 Moderately Irregular
IR3 Irregular
}
类别特征值在模型中通常无法直接使用，我们需要将其处理为数值形式。
一种方式是为每个类别指定一个数字，如Reg:0 , IR1:1 , …，但是有时这种处理方法会带来额外影响，无形中给类别信息拍了序。如，上例中可能会认为 IR1 > Reg 。
另一种方法是 one-hot 编码方法。这种方法将原来的一个特征 LotShape 转化成四个类别特征：LotShape.Reg,LotShape.IR1,LotShape.IR2,LotShape.IR3。如果 $x_1[LotShape]='Reg',x_2[LotShape]='IR1',...$ ，则相应的编码为 $x_1=1000,x_2=0100,...$ 。

以kaggle数据为例：

X_train.columns

实验选择了以下特征：

u’Foundation’,
u’SaleType’,
u’SaleCondition’,
u’YearBuilt’,
u’1stFlrSF’,
u’2ndFlrSF’,
u’BsmtUnfSF’,
u’CentralAir’

数据大小为：(1460,13)

采用DictVectorizer对原始数据进行转换：

from sklearn.feature_extraction import DictVectorizer
dict_vec = DictVectorizer(sparse=False)

X_train = dict_vec.fit_transform(X_train.to_dict(orient='record'))

查询转换后的特征

dict_vec.get_feature_names()

['1stFlrSF',
 '2ndFlrSF',
 'BsmtUnfSF',
 'CentralAir=N',
 'CentralAir=Y',
 'Electrical=FuseA',
 'Electrical=FuseF',
 'Electrical=FuseP',
 'Electrical=Mix',
 'Electrical=SBrkr',
 'Foundation=BrkTil',
 'Foundation=CBlock',
 'Foundation=PConc',
 'Foundation=Slab',
 'Foundation=Stone',
 'Foundation=Wood',
 'GarageArea',
 'Heating=Floor',
 'Heating=GasA',
 'Heating=GasW',
 'Heating=Grav',
 'Heating=OthW',
 'Heating=Wall',
 'SaleCondition=Abnorml',
 'SaleCondition=AdjLand',
 'SaleCondition=Alloca',
 'SaleCondition=Family',
 'SaleCondition=Normal',
 'SaleCondition=Partial',
 'SaleType=COD',
 'SaleType=CWD',
 'SaleType=Con',
 'SaleType=ConLD',
 'SaleType=ConLI',
 'SaleType=ConLw',
 'SaleType=New',
 'SaleType=Oth',
 'SaleType=WD',
 'TotalBsmtSF',
 'YearBuilt',
 'YearRemodAdd']

 X_train.shape => (1460,41)

至此，便将字符串类型的类别标识转化为数值类型

X_train

array([[  856.,   854.,   150., ...,   856.,  2003.,  2003.],
       [ 1262.,     0.,   284., ...,  1262.,  1976.,  1976.],
       [  920.,   866.,   434., ...,   920.,  2001.,  2002.],
       ..., 
       [ 1188.,  1152.,   877., ...,  1152.,  1941.,  2006.],
       [ 1078.,     0.,     0., ...,  1078.,  1950.,  1996.],
       [ 1256.,     0.,   136., ...,  1256.,  1965.,  1965.]])