将字符串表示为决策树中的特征，词汇量为 200（带或不带 one-hot 编码）

Question

我是机器学习的新手！

我尝试在 sci-kit learn 中对我的整个词汇进行标记编码。但是在生成决策树时，比较的形式是浮点型。 （例如： type

更新我的问题： 我的数据如下所示：

这些列是：

输入特征

column1：字符串（可以是大小为 200 的词汇表中的任何单词。注意：这些是函数调用名称，因此类似于颜色名称或国家名称）

同样，有 4 个类似 column1 的列。

输出特征（标签）：

字符串类型。这可以是大小为 500 的词汇表中的任何单词。这些都是函数调用名称，因此类似于颜色名称或国家名称）

Answer 1

您可以为此使用 countVectorizer，即使您的输入不是文档。

例如，将您的 javascript 函数词汇表视为vocab_functions。您的输入函数出现在数据框的五列中，如下所示

df[func1],df[func2],df[func3],df[func4],df[func5]

将所有函数名用空格连接起来形成一个新列

df['input_func']

现在在此列上应用 countVectorizer，

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
    'func_asb func_asdnl func_15 func_sx funcd3d',
    'func_11 func_sav3 func_fdasvb15 func_saax funcdnlvasdd',
]
vectorizer = CountVectorizer()#add --- vocabulary=vocab_functions

X = vectorizer.fit_transform(corpus) # replace with df['input_func']

X.todense()
#
matrix([[0, 1, 1, 1, 0, 0, 0, 1, 1, 0],
        [1, 0, 0, 0, 1, 1, 1, 0, 0, 1]], dtype=int64)

将此 X 输入到维度为 200 的决策树。