如何对每列具有多个值的特征进行编码？需要 MultiDictVectorizer？答案

【问题标题】：How can I encode features with more than one value per column? MultiDictVectorizer needed?如何对每列具有多个值的特征进行编码？需要 MultiDictVectorizer？
【发布时间】：2016-05-27 01:29:13
【问题描述】：

我正在对 sklearn 中的一些功能进行矢量化处理，但遇到了问题。如果您的数据可以被编码为每个项目的一个字典键，则 DictVectorizer 效果很好。如果您的项目可以具有同一列的两个或多个值怎么办？例如，DictVectorizer 在这样的项目上运行良好：

{'a': 'b', 'b': 'c'}

但是像这样的东西，每列有多个值呢？

{'a': ['b','c'], 'b': 'd'}

one-hot-encoding 的策略仍然可以应用，您只需要两个 a 列……a=b 和 a=c。据我所知，不存在这样的矢量化器！在这种情况下应该怎么做？我需要创建自己的 MultiDictVectorizer 吗？

在发帖之前，我在blog post 上写过这个。

【问题讨论】：

标签： python scikit-learn feature-extraction dictvectorizer one-hot-encoding

【解决方案1】：

对于这种情况，至少有两种可能的快速解决方案：

创建一个新值，表示有两个聚合值的可能性

{'a': 'bc', 'b': 'd'} 或给它另一个名字，即'bc'-->'e'
每次取其中一个值时复制样本

{'a': 'b', 'b': 'd'} 和 {'a': 'c', 'b': 'd'}

但当然，这在很大程度上取决于您的问题的上下文（案例 2：“复制”具有不同表现形式的样本是否正确？案例 1：在概念上是否可以接受该功能的另一个新值？）。例如，我什至不知道该多值特征是否对应于N/A 情况。

我已经看过你的 github 提案，所以我知道这不是你想要的，但以防万一它可以为你节省精力。

【讨论】：

【解决方案2】：

DictVectorizer 无法处理每个键的多个值，因此我正在为其添加此功能。如果拉取被接受，这将是 sklearn 的一部分。如果没有，我将在 MultiDictVectorizer 中继承 DictVectorizer 并为该类发布一个包。

Pull request at Github

Issue in sklearn Github project

【讨论】：