在 scikit learn 中使用 LabelEncoder 进行系列

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，但这样做会出错。

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，但我得到了那个错误。

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。我不想从 1 得到它。

Answer 1

很明显，您的系列中缺少值。如果您想从您的系列中删除 NaN 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 对分类标签进行编码：

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

给予：

TypeError：不可排序的类型：float() > str()

默认情况下，pd.factorize 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])

---

如果您不想识别NAN 值并将它们视为任何字符串，您可以在使用na_filter 读取过程时执行此操作：

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

它还极大地提高了读取较大文件的性能。

---

或者，您可以使用 fillna 将所有 NaN 值填充到您选择的所需字符串中：

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。