具有字符串分类值的OneHotEncoder

Question

我有以下numpy矩阵:

M = [
    ['a', 5, 0.2, ''],
    ['a', 2, 1.3, 'as'],
    ['b', 1, 2.3, 'as'],
]
M = np.array(M)

我想编码分类值('a', 'b', '', 'as').我尝试使用OneHotEncoder对其进行编码.问题是,它不适用于字符串变量并生成错误.

enc = preprocessing.OneHotEncoder()
enc.fit(M)
enc.transform(M).toarray()

我知道我必须使用它categorical_features来显示我要编码的值,我认为通过提供dtype我将能够处理字符串值,但我不能.那么有没有办法在矩阵中编码分类值？

Answer 1

你可以使用DictVectorizer:

from sklearn.feature_extraction import DictVectorizer
import pandas as pd

dv = DictVectorizer(sparse=False) 
df = pd.DataFrame(M).convert_objects(convert_numeric=True)
dv.fit_transform(df.to_dict(orient='records'))

array([[ 5. ,  0.2,  1. ,  0. ,  1. ,  0. ],
       [ 2. ,  1.3,  1. ,  0. ,  0. ,  1. ],
       [ 1. ,  2.3,  0. ,  1. ,  0. ,  1. ]])

dv.feature_names_ 保持与列的对应关系:

[1, 2, '0=a', '0=b', '3=', '3=as']