逐列矢量化2D字符数组

Question

我有一个2D numpy数组,如下所示:

a=np.array([["Science", "Blue", 3],
            ["Math", "Red", 4],
            ["Math", "Red", 5],
            ["Science", "Red", 3]])

我需要逐列将其转换为数值,如下所示(所需的输出):

out=np.array([[0, 0, 0],
              [1, 1, 1],
              [1, 1, 2], 
              [0, 1, 0]])

但是,对于下游可解释性,我还需要一个输出来追溯从数值到原始值.我在想这样的事情:

trace_back_dict = {0: {0: "Science", 1: "Math"}, 
                   1: {0: "Blue", 1: "Red"}, 
                   2: {0: 3, 1: 4, 2: 5}}

其中外部键是原始数组的列索引,而内部字符串给出数字:字符值的映射.

有没有一种简单的方法可以做到这一点,最好是sklearn风格,我可以做一个fit_transform,然后transform(为了火车和测试集目的)？

我一直在寻找sklearn的LabelEncoder,而且基本上我需要的是应用在每一列不同的一个.有关如何有效地做到这一点的任何建议？

谢谢!

插口

Answer 1

你可以使用OrdinalEncoder:

In [25]: a = [['Science', 'Blue', 3], ['Math', 'Red', 4], ['Math', 'Red', 5], ['Science', 'Red', 3]]

In [26]: enc = sklearn.preprocessing.OrdinalEncoder()

In [27]: enc.fit(a)
Out[27]: OrdinalEncoder(categories='auto', dtype=<class 'numpy.float64'>)

In [28]: enc.transform(a)
Out[28]: 
array([[1., 0., 0.],
       [0., 1., 1.],
       [0., 1., 2.],
       [1., 1., 0.]])

In [29]: enc.categories_
Out[29]: 
[array(['Math', 'Science'], dtype=object),
 array(['Blue', 'Red'], dtype=object),
 array([3, 4, 5], dtype=object)]

In [30]: trace_back_dict = {i: dict(enumerate(v)) for i, v in enumerate(enc.categories_)}

In [31]: trace_back_dict
Out[31]: {0: {0: 'Math', 1: 'Science'}, 1: {0: 'Blue', 1: 'Red'}, 2: {0: 3, 1: 4, 2: 5}}