所涉及到的几种 sklearn 的二值化编码函数:OneHotEncoder(), LabelEncoder(), LabelBinarizer(), MultiLabelBinarizer()
2017-02-14 11:43
701 查看
转自http://blog.csdn.net/haramshen/article/details/53169963
所涉及到的几种 sklearn 的二值化编码函数:OneHotEncoder(), LabelEncoder(), LabelBinarizer(), MultiLabelBinarizer()
1.代码块
import pandas as pd from sklearn.preprocessing import OneHotEncoder from sklearn.preprocessing import LabelEncoder from sklearn.preprocessing import LabelBinarizer from sklearn.preprocessing import MultiLabelBinarizer testdata = pd.DataFrame({'pet': ['cat', 'dog', 'dog', 'fish'],'age': [4 , 6, 3, 3], 'salary':[4, 5, 1, 1]})1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8
这里我们把 pet、age、salary 都看做类别特征,所不同的是 age 和 salary 都是数值型,而 pet 是字符串型。我们的目的很简单: 把他们全都二值化,进行 one-hot 编码.
2.对付数值型类别变量
OneHotEncoder(sparse = False).fit_transform( testdata.age ) # testdata.age 这里与 testdata[['age']]等价1
1
然而运行结果是 array([[ 1., 1., 1., 1.]]),这个结果是错的,从 Warning 信息中得知,原因是 sklearn 的新版本中,OneHotEncoder 的输入必须是 2-D array,而 testdata.age 返回的 Series 本质上是 1-D array,所以要改成
OneHotEncoder(sparse = False).fit_transform(testdata[['age']])1
1
testdata[[‘age’]]的取值是:0,4,6所以对这个三个值进行one-hot化,第一行:[4]===>得到one-hot:[0,1,0]
注意: one-hot化是每个feature的取值个数作为one-hot后的长度,对应的位置0/1的值是原数据在此位置取值的有无.不是取值的max的长度编号:如这个最大为6,按照one-hot的定义是testdata[[‘age’]]=[4]–>one-hot后:[0,0,0,1,0,0]但定义直观理解是这样的,但在工程实现这样没必要,只针对有值得取值编码就可以,节约矩阵one-hot后的规模而且效果一样;
我们得到了我们想要的:
array([[ 0., 1., 0.], [ 0., 0., 1.], [ 1., 0., 0.], [ 1., 0., 0.]])1
2
3
4
1
2
3
4
可以用同样的方法对 salary 进行 OneHotEncoder, 然后将结果用 numpy.hstack() 把两者拼接起来得到变换后的结果
a1 = OneHotEncoder(sparse = False).fit_transform( testdata[['age']] ) a2 = OneHotEncoder(sparse = False).fit_transform( testdata[['salary']]) final_output = numpy.hstack((a1,a2))1
2
3
1
2
3
结果为
array([[ 0., 1., 0., 0., 1., 0.], [ 0., 0., 1., 0., 0., 1.], [ 1., 0., 0., 1., 0., 0.], [ 1., 0., 0., 1., 0., 0.]])1
2
3
4
1
2
3
4
有时候我们除了得到最终编码结果,还想知道结果中哪几列属于 age 的二值化编码,哪几列属于 salary 的,这时候我们可以通过 OneHotEncoder() 自带的 feature_indices_ 来实现这一要求,比如这里 feature_indices_ 的值是[0, 3, 6],表明 第[0:3]列是age的二值化编码,[3:6]是salary的。更多细节请参考 sklearn 文档
3.对付字符串型类别变量
遗憾的是OneHotEncoder无法直接对字符串型的类别变量编码,也就是说OneHotEncoder().fit_transform(testdata[[‘pet’]])这句话会报错(不信你试试)。已经有很多人在 stackoverflow 和 sklearn 的 github issue 上讨论过这个问题,但目前为止的 sklearn 版本仍没有增加OneHotEncoder对字符串型类别变量的支持,所以一般都采用曲线救国的方式: * 方法一 先用 LabelEncoder() 转换成连续的数值型变量,再用 OneHotEncoder() 二值化
* 方法二 直接用 LabelBinarizer() 进行二值化
然而要注意的是,无论 LabelEncoder() 还是 LabelBinarizer(),他们在 sklearn 中的设计初衷,都是为了解决标签 y的离散化,而非输入X, 所以他们的输入被限定为 1-D array,这恰恰跟OneHotEncoder() 要求输入 2-D array 相左。所以我们使用的时候要格外小心,否则就会出现上面array([[
1., 1., 1., 1.]])那样的错误.
# 方法一: LabelEncoder() + OneHotEncoder() a = LabelEncoder().fit_transform(testdata['pet']) OneHotEncoder( sparse=False ).fit_transform(a.reshape(-1,1)) # 注意: 这里把 a 用 reshape 转换成 2-D array # 方法二: 直接用 LabelBinarizer() LabelBinarizer().fit_transform(testdata['pet'])1
2
3
4
5
6
7
1
2
3
4
5
6
7
这两种方法得到的结果一致,都是
array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 1., 0.], [ 0., 0., 1.]])1
2
3
4
1
2
3
4
正因为LabelEncoder和LabelBinarizer设计为只支持 1-D array,也使得它无法像上面 OneHotEncoder 那样批量接受多列输入,也就是说LabelEncoder().fit_transform(testdata[[‘pet’, ‘age’]])会报错。
4.无用的尝试
然而执着如我怎会就此放弃,我又仔细翻了翻 sklearn 的 API 接口,果然发现有个叫 MultiLabelBinarizer() 的,看着似乎可以解决这个问题,于是尝试了一下MultiLabelBinarizer().fit_transform(testdata[['age','salary']].values)1
1
输出结果如下
array([[0, 0, 1, 0, 0], [0, 0, 0, 1, 1], [1, 1, 0, 0, 0], [1, 1, 0, 0, 0]])1
2
3
4
1
2
3
4
5.另一种解决方案
其实如果我们跳出 scikit-learn, 在 pandas 中可以很好地解决这个问题,用 pandas 自带的get_dummies函数即可pd.get_dummies(testdata,columns=testdata.columns)1
1
结果正是我们想要的
age_3 age_4 age_6 pet_cat pet_dog pet_fish salary_1 salary_4 salary_5 0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 2 1.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.01
2
3
4
5
1
2
3
4
5
get_dummies的优势:
* 1.本身就是 pandas 的模块,所以对 DataFrame 类型兼容很好.
* 2.无论你的列是字符型还是数字型都可以进行二值编码.
* 3.能根据用户指定,自动生成二值编码后的变量名.
这么看来,我们找到最完美的解决方案了? No!get_dummies千般好,万般好,但毕竟不是 sklearn 里的transformer类型,所以得到的结果得手动输入到 sklearn 里的相应模块,也无法像 sklearn 的transformer一样可以输入到pipeline中 进行流程化地机器学习过程。更重要的一点.
注意: get_dummies 不像 sklearn 的 transformer一样,有 transform方法,所以一旦测试集中出现了训练集未曾出现过的特征取值,简单地对测试集、训练集都用
get_dummies 方法将导致数据错误。
相关文章推荐
- 所涉及到的几种 sklearn 的二值化编码函数:OneHotEncoder(), LabelEncoder(), LabelBinarizer(), MultiLabelBinarizer()
- sklearn.preprocessing.LabelEncoder和onehotencoder
- Sklearn中LabelEncoder与OneHotEncoder
- 基于sklearn的序列处理 : LabelEncoder 与 OneHotEncoder
- 对python 数据处理中的LabelEncoder 和 OneHotEncoder详解
- sklearn.preprocessing.MultiLabelBinarizer
- LabelEncoder与OneHotEncoder
- python 数据处理中的 LabelEncoder 和 OneHotEncoder
- sklearn.preprocessing.OneHotEncoder
- sklearn 中的 OneHotEncoder 用法
- pandas 下的 one hot encoder 及 pd.get_dummies() 与 sklearn.preprocessing 下的 OneHotEncoder 的区别
- LabelEncoderm OneHotEncoder 在python中的运用
- python 数据处理中的 LabelEncoder 和 OneHotEncoder
- Caffe 把single label-->multi-label涉及到的几个函数
- SKlear中的LabelEncoding和OneHotEncoding
- sklearn.preprocessing.LabelBinarizer
- OneHotEncoder介绍单属性多属性scala实现
- scikit-learn使用OneHotEncoder处理Nominal属性的机器学习流程(Random Forest算法为例)
- Spark MLlib特征处理:OneHotEncoder OneHot编码 ---原理及实战
- 独热编码 OneHotEncoder()