如何解决如何使用 get_dummies 或一种热编码对具有多个元素的分类特征进行编码?
我正在处理一个数据集,它有一个名为类别的功能。该特征中每个观察的数据由分号分隔的列表组成,例如。
行 | 类别 |
---|---|
第 1 行 | "categorya;categoryb;categoryc" |
第 2 行 | "categorya;categoryb" |
第 3 行 | "categoryc" |
第 4 行 | "categoryb;categoryc" |
如果我尝试pd.get_dummies(df,columns=['categories'])
我取回包含完整数据的列作为名为的列,例如名为 categorya;categoryb;categoryc 的列
如果我尝试
pd.get_dummies(df.categories.str.split(";").apply(pd.Series).stack(),columns=['categories'])
我得到了单独的列名,例如类别a,类别b。
但我只会在一列中得到 1,例如如果原始类别值是“categoryb;categoryc”,我只会在 b 中得到 1 而不是 c 值。
我觉得除了编码问题之外,我的方法可能犯了根本性错误?
解决方法
在我看来,您正在更改数据结构的形状,使其与 DF 不匹配。
df.categories.str.split(";").apply(pd.Series).stack()
0 0 categorya
1 categoryb
2 categoryc
1 0 categorya
1 categoryb
2 0 categoryc
3 0 categoryb
1 categoryc
和
pd.get_dummies(df.categories.str.split(";").apply(pd.Series).stack())
categorya categoryb categoryc
0 0 1 0 0
1 0 1 0
2 0 0 1
1 0 1 0 0
1 0 1 0
2 0 0 0 1
3 0 0 1 0
1 0 0 1
如果您事先知道类别,您可以执行以下操作:
df['categorya'] = np.where(df['categories'].str.contains('categorya'),1,0)
categories categorya
0 categorya;categoryb;categoryc 1
1 categorya;categoryb 1
2 categoryc 0
3 categoryb;categoryc 0
或者,如果您事先不知道类别,您可以这样做:
for s in df.categories.str.split(";").apply(pd.Series).stack().unique():
df[s] = np.where(df['categories'].str.contains(s),0)
categorya categoryb categoryc
0 1 1 1
1 1 1 0
2 0 0 1
3 0 1 1
此外,您可以按主要索引和分类(虚拟)列的总和进行聚合,以获得您要查找的内容。
像这样:
pd.get_dummies(df.categories.str.split(";").apply(pd.Series).stack()) \
.groupby(level=0).sum()
categorya categoryb categoryc
0 1 1 1
1 1 1 0
2 0 0 1
3 0 1 1
然后是最简单的:
df['categories'].str.get_dummies(sep=';')
categories catA catB catC
0 catA;catB;catC 1 1 1
1 catA;catB 1 1 0
2 catC 0 0 1
3 catB;catC 0 1 1
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。