在 scikitlearn 中为系列使用 LabelEncoder

Question

我在数据集中有一列具有分类值，我想将它们转换为数值。我正在尝试使用 LabelEncoder，但这样做时出错。

from sklearn.preprocessing import LabelEncoder
m = hsp_train["Alley"]
m_enc = LabelEncoder()
j = m_enc.fit_transform(m)

我收到一个错误：

不可排序的类型：float() > str()

列中的系列有 3 个值。我希望它们分别为 0、1、2，但我收到了那个错误。

我也试过这个：

l = hsp_train["Alley"]
l_enc = pd.factorize(l)
hsp_train["Alley"] = l_enc[0]

但这给了我值 -1, 1, 2. 我不想要它从 1 开始。

Answer 1

很明显，您的系列中缺少值。如果您想NaN从系列中删除值，只需执行hsp_train["Alley"].dropna()

插图：

df = pd.DataFrame({'Categorical': ['apple', 'mango', 'apple', 
                                   'orange', 'mango', 'apple', 
                                   'orange', np.NaN]})

使用LabelEncoder编码的分类标签：

enc = LabelEncoder()
enc.fit_transform(df['Categorical'])

给出：

类型错误：无法排序的类型：float() > str()

pd.factorize默认情况下，Doing 会自动将 -1 分配给缺失值，因此您会得到这些值：

pd.factorize(df['Categorical'])[0]
array([ 0,  1,  0,  2,  1,  0,  2, -1])

如果您不希望NAN识别值并将它们视为任何字符串，您可以在读取过程中使用na_filter：

df = pd.read_csv(data, na_filter=False, ...)

它还大大提高了读取相对较大文件的性能。

或者，您可以NaN使用fillna您选择的所需字符串填充所有值：

df.fillna('Na', inplace=True)

这会将所有NaN值替换为您的字符串值“Na”，您可以像以前一样继续。