将 sklearn 数据框转换为 Pandas 数据框，保留分类标签

Question

我正在使用 sklearn 导入数据：

from sklearn import datasets
dataset = datasets.fetch_openml('credit-g', version = 'active')

sklearn 即时将分类数据转换为数字。

现在我想将此数据集转换为 Pandas DataFrame：

data = pd.DataFrame(dataset.data, columns = dataset.feature_names)
data['class'] = pd.Series(dataset.target)

但此命令会删除所有分类数据 - 它们现在是数字。

我想要的是转换原始文本标签代替数字后的数据框。因此，从 sklearn 数据帧转换为 pandas 数据帧后，数据看起来应该与我只是使用命令下载此数据一样：

pd.read_csv("https://www.openml.org/data/get_csv/31/dataset_31_credit-g.arff")

有可能吗？

Answer 1

从fetch_openml的文档中，返回的字典包含：

[...]
data : np.array or scipy.sparse.csr_matrix of floats
    The feature matrix. Categorical features are encoded as ordinals.
[...]
categories : dict
    Maps each categorical feature name to a list of values, such that the value
    encoded as i is ith in the list.
[...]

没有不编码分类特征的选项。只要您使用sklearn 下载数据集，您就会有浮点数而不是字符串。

但是，由于还返回了类别，您可以使用以下类别特征重建“基础”数据集（我不确定它是最快的解决方案，也不是更优雅的解决方案）：

from sklearn import datasets
import pandas as pd
import numpy as np

def main():
    dataset = datasets.fetch_openml('credit-g', version = 'active')

    raws = [
        np.take(dataset['categories'][feature], dataset['data'][:,i].astype(int))  # Take string value for categorical features
        if feature in dataset['categories'] else dataset['data'][:,i]  # Else use the floats as is
        for i, feature in enumerate(dataset['feature_names'])
    ]

    data = pd.DataFrame(np.stack(raws, axis=1), columns=dataset.feature_names)
    data['class'] = pd.Series(dataset.target)
    print("Initial dtypes:")
    print(data.dtypes)

    dtypes = {
        f: 'category' if f in dataset['categories'] else 'float'
        for f in dataset['feature_names']
    }
    dtypes['class'] = 'category'
    data = data.astype(dtypes)
    print("\nFirst cast:")
    print(data.dtypes)

    int_cols = [1, 4, 12]
    data.iloc[:, int_cols] = data.iloc[:, int_cols].astype('int64')
    print("\nInt cast:")
    print(data.dtypes)

if __name__ == '__main__':
    main()