Python SciKit Learn 和 Pandas 分类数据

Question

我正在研究 csv 的多变量回归，基于多个因素预测作物表现。我的一些专栏是数字和有意义的。其他的是数字和分类，或字符串和分类（例如，作物品种，或情节代码或其他）。我如何教 Python 使用它们？我找到了 One Hot Encoder (http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html#sklearn.preprocessing.OneHotEncoder)，但不太明白如何在这里应用它。

到目前为止我的代码：

import pandas as pd
import statsmodels.api as sm
from sklearn.preprocessing import StandardScaler
df = pd.read_csv('filepath.csv')

df.drop(df[df['LabeledDataColumn'].isnull()].index.tolist(),inplace=True)

scale = StandardScaler()

pd.options.mode.chained_assignment = None  # default='warn'
X = df[['inputColumn1', 'inputColumn2', ...,'inputColumn20']]
y = df['LabeledDataColumn']

X[['inputColumn1', 'inputColumn2', ...,'inputColumn20']] = scale.fit_transform(X[['inputColumn1', 'inputColumn2', ...,'inputColumn20']].as_matrix())

#print (X)

est = sm.OLS(y, X).fit()

est.summary()

Answer 1

您可以使用 pandas 提供的 get_dummies 函数并转换分类值。

像这样..

predictor = pd.concat([data.get(['numerical_column_1','numerical_column_2','label']),
                           pd.get_dummies(data['categorical_column1'], prefix='Categorical_col1'),
                           pd.get_dummies(data['categorical_column2'], prefix='categorical_col2'),
                          axis=1)

那么你可以通过做得到结果/标签列

outcome = predictor['label']
del predictor['label']

然后调用模型对数据做

est = sm.OLS(outcome, predictor).fit()