【问题标题】:One Hot Encoding of uncommon feature levels in PythonPython中不常见功能级别的一种热编码
【发布时间】:2018-06-26 20:41:44
【问题描述】:

我有一个带有分类因子的模型。我使用 pandas.get_dummies 将其编码为 One Hot Encoding。

不过,分类因素有许多不常见的级别。如果我使用pandas.get_dummies 重新编码新数据,新列可能会“关闭”,因为新级别不会出现在新数据中。

我正在考虑执行以下操作:

dummies_df = pd.get_dummies(list_of_all_possible_levels)
dummies_df[:] =  0

dummies_df.drop(dummies_df.index[1:], inplace=True)
# If there are 10 levels this becomes a 10x10 Dataframe. I only need
# one 'empty' row and drop everything after the first.


# Let's say the DataFrame looks like this:
df['categorical_factor', 'numeric_factor', 'other_numeric_factor']

# I want to do something where I flag the column of the feature as 1
# and append the one-row dummies_df to each row of df

for cat in df.categorical_factor:
    dummies_df[cat] = 1
    df['numeric_factor', 'other_numeric_factor'] + dummies_df

我只是不知道是否应该像这样循环遍历行,还是有更好的“笛卡尔积”类型的答案。如果这是 R,我只会做 cbind(df, dummies_df),因为 R 知道回收 dummies_df 的值。

或者也许我应该在新数据上使用pandas.get_dummies,并将缺失的级别作为新列加入,如下所示:

new_dat['missing_level_1'] = [0 for _ in new_dat.index]
new_dat['missing_level_2'] = [0 for _ in new_dat.index]

编辑:示例数据

levels=['level_1', 'level_2', 'level_3']

A = [0,1,2]
B = [3,4,5]

df = pd.DataFrame({'levels': levels, 'A': A, 'B': B})

df = df.drop('levels', axis=1).join(pd.get_dummies(df.levels))



new_levels=['level_1', 'level_2', 'level_2']

new_A = [5,6,7]
new_B = [8,9,7]

new_df = pd.DataFrame({'levels': new_levels, 'A': new_A, 'B': new_B})

new_df = new_df.drop('levels', axis=1).join(pd.get_dummies(new_df.levels))

df 现在是

+---------+---+---+---------+---------+---------+
| (index) | A | B | level_1 | level_2 | level_3 |
+---------+---+---+---------+---------+---------+
|       0 | 0 | 3 |       1 |       0 |       0 |
|       1 | 1 | 4 |       0 |       1 |       0 |
|       2 | 2 | 5 |       0 |       0 |       1 |
+---------+---+---+---------+---------+---------+

new_df 现在是

+---------+---+---+---------+---------+
| (index) | A | B | level_1 | level_2 |
+---------+---+---+---------+---------+
|       0 | 5 | 8 |       1 |       0 |
|       1 | 6 | 9 |       0 |       1 |
|       2 | 7 | 7 |       0 |       1 |
+---------+---+---+---------+---------+

(它缺少level_3 列。)

我希望 new_df 成为

+---------+---+---+---------+---------+---------+
| (index) | A | B | level_1 | level_2 | level_3 |
+---------+---+---+---------+---------+---------+
|       0 | 5 | 8 |       1 |       0 |       0 |
|       1 | 6 | 9 |       0 |       1 |       0 |
|       2 | 7 | 7 |       0 |       1 |       0 |
+---------+---+---+---------+---------+---------+

【问题讨论】:

  • 您可以在您的问题中添加示例数据吗?
  • 你 new_levels 包含 level_2 两次而不是 level_3。纠正这一点,您将在 new_df 中获得 level_3
  • @Vaishali 重点是new_df DataFrame 中的 level_3 不是new_df 可以是 5000 条记录,但不包含级别 level_3
  • 哦,所以你的意思是你需要一个新列 level_3 在 new_df 中,因为 level_3 不存在于列级别中,所以所有的零?
  • 你考虑过特征散列吗?它将分类值映射到列索引,但您无需查看训练数据中所有可能的分类值。

标签: python pandas machine-learning scikit-learn one-hot-encoding


【解决方案1】:

最稳定的解决方案是reindex假人数据框。

当您对第一个(原型)数据帧进行编码时,您会记住虚拟列的列表:

# the initial encoding
levels=['level_1', 'level_2', 'level_3']
df_original = pd.DataFrame({'levels': levels, 'A': [0,1,2], 'B': [3,4,5]})
dummies = pd.get_dummies(df_original.levels)
df = df_original.drop('levels', axis=1).join(dummies)
# remember the levels and their order
dummy_columns = list(dummies.columns)

之后,您强制新的虚拟数据框具有相同的列:

# encoding another dataframe
new_levels=['level_1', 'level_2', 'level_2']
new_df_original = pd.DataFrame({'levels': new_levels, 'A': [5,6,7], 'B': [8,9,7]})
# this is where I use the remembered information
new_dummies = pd.get_dummies(new_df_original.levels). \
    reindex(columns=dummy_columns).fillna(0).astype(int)
new_df = new_df_original.drop('levels', axis=1).join(new_dummies)
print(new_df)

它给出了你想要的结果:

   A  B  level_1  level_2  level_3
0  5  8        1        0        0
1  6  9        0        1        0
2  7  7        0        1        0

【讨论】:

    猜你喜欢
    • 2018-10-25
    • 2018-12-17
    • 1970-01-01
    • 2018-12-17
    • 2023-03-06
    • 2017-09-06
    • 2019-08-26
    • 2018-03-19
    • 2021-12-01
    相关资源
    最近更新 更多