将预测映射回 ID - Python Scikit Learn DecisionTreeClassifier

Question

我有一个具有唯一标识符和其他功能的数据集。看起来像这样

ID      LenA TypeA LenB TypeB Diff Score Response
123-456  51   M     101  L     50   0.2   0
234-567  46   S     49   S     3    0.9   1
345-678  87   M     70   M     17   0.7   0

我把它分成训练和测试数据。我试图从训练数据训练的分类器中将测试数据分为两类。我想要训练和测试数据集中的标识符，以便我可以将预测映射回 IDs。
有没有一种方法可以像我们在 Azure ML Studio 或 SAS 中所做的那样，将标识符列分配为 ID 或非预测变量？

我正在使用DecisionTreeClassifier来自 Scikit-Learn 的。这是我的分类器代码。

from sklearn import tree

clf = tree.DecisionTreeClassifier()
clf = clf.fit(traindata, trainlabels)

如果我只是将 ID 包含到 中traindata，则代码会引发错误：

ValueError: invalid literal for float(): 123-456

Answer 1

不知道您是如何进行拆分的，我建议您确保该ID列不包含在您的训练数据中。可能是这样的：

X_train, X_test, y_train, y_test = test_train_split(df.ix[:, ~df.columns.isin(['ID', 'Response'])].values, df.Response)

这将仅拆分来自 DataFrame的值，而不是在值中ID或值中，并为值拆分。ResponseXResponsey

但是您仍然无法将 用于DecisionTreeClassifier此数据，因为它包含字符串。您需要将具有分类数据的任何列（即TypeA和 ）TypeB转换为数字表示形式。在我看来，对 sklearn 执行此操作的最佳方法是使用LabelEncoder. 使用它会将分类字符串标签['M', 'S']转换[1, 2]为可以使用DecisionTreeClassifier. 如果您需要示例，请查看将分类数据传递给 sklearn 决策树。

更新

根据您的评论，我现在明白您需要映射回ID. 在这种情况下，您可以利用 Pandas 来发挥自己的优势。设置ID为数据的索引，然后进行拆分，这样您将保留ID所有训练和测试数据的值。假设您的数据已经在 Pandas 数据框中。

df = df.set_index('ID')
X_train, X_test, y_train, y_test = test_train_split(df.ix[:, ~df.columns.isin(['Response'])], df.Response)
print(X_train)
         LenA TypeA  LenB TypeB  Diff  Score
ID
345-678    87     M    70     M    17    0.7
234-567    46     S    49     S     3    0.9