我试图用汽车的评价数据集从UCI库中，我不知道是否有在二值化分类sklearn变量的便捷方式。 一种方法是使用LabelBinarizer的DictVectorizer但在这里我得到k个不同的功能，而你刚才应该K-1，以避免collinearization。 我想我可以写我自己的功能和删除一列，但这个簿记是乏味的，有没有进行这种转变，并得到结果的稀疏矩阵一种简单的方法？
Answer 1:
DictVectorizer是生成分类变量的一热编码推荐的方式; 您可以使用sparse参数来创建一个稀疏矩阵CSR代替密集阵numpy的。 我平时不关心多重，我还没有与我倾向于使用（即LinearSVC，基于树的SGDClassifier，方法）的途径发现问题。
它不应该是修补DictVectorizer下降每个分类功能的一列了一个问题-你简单的需要从删除一个学期DictVectorizer.vocabulary在结束fit方法。 （拉请求我们随时欢迎您！）
Answer 2:
如果你的数据是大熊猫数据框，那么你可以简单地调用get_dummies。 假设你的数据帧DF和你想有每个变量的“关键”的水平一个二元变量。 您只需拨打：
pd.get_dummies(df['key'])
然后删除虚拟变量之一，以避免多重共线性问题。 我希望这有帮助 ...
Answer 3:
基本方法是
import numpy as np
import pandas as pd, os
from sklearn.feature_extraction import DictVectorizer
def one_hot_dataframe(data, cols, replace=False):
vec = DictVectorizer()
mkdict = lambda row: dict((col, row[col]) for col in cols)
vecData = pd.DataFrame(vec.fit_transform(data[cols].apply(mkdict, axis=1)).toarray())
vecData.columns = vec.get_feature_names()
vecData.index = data.index
if replace is True:
data = data.drop(cols, axis=1)
data = data.join(vecData)
return (data, vecData, vec)
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
'year': [2000, 2001, 2002, 2001, 2002],
'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
df = pd.DataFrame(data)
df2, _, _ = one_hot_dataframe(df, ['state'], replace=True)
print df2
以下是如何在稀疏的格式做
import numpy as np
import pandas as pd, os
import scipy.sparse as sps
import itertools
def one_hot_column(df, cols, vocabs):
mats = []; df2 = df.drop(cols,axis=1)
mats.append(sps.lil_matrix(np.array(df2)))
for i,col in enumerate(cols):
mat = sps.lil_matrix((len(df), len(vocabs[i])))
for j,val in enumerate(np.array(df[col])):
mat[j,vocabs[i][val]] = 1.
mats.append(mat)
res = sps.hstack(mats)
return res
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
'year': ['2000', '2001', '2002', '2001', '2002'],
'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
df = pd.DataFrame(data)
print df
vocabs = []
vals = ['Ohio','Nevada']
vocabs.append(dict(itertools.izip(vals,range(len(vals)))))
vals = ['2000','2001','2002']
vocabs.append(dict(itertools.izip(vals,range(len(vals)))))
print vocabs
print one_hot_column(df, ['state','year'], vocabs).todense()
文章来源: How to encode a categorical variable in sklearn?
