get_dummies (Pandas) 和 OneHotEncoder (Scikit-learn) 之间的优缺点是什么？

Question

我正在学习将分类变量转换为机器学习分类器的数值的不同方法。我遇到了pd.get_dummies 方法和sklearn.preprocessing.OneHotEncoder()，我想看看它们在性能和使用方面有何不同。

我在https://xgdgsc.wordpress.com/2015/03/20/note-on-using-onehotencoder-in-scikit-learn-to-work-on-categorical-features/ 上找到了有关如何使用OneHotEncoder() 的教程，因为sklearn 文档对此功能没有太大帮助。我感觉我做得不对……但是

能否解释一下使用pd.dummies 而不是sklearn.preprocessing.OneHotEncoder() 的优缺点，反之亦然？ 我知道OneHotEncoder() 为您提供了一个稀疏矩阵，但除此之外我不确定如何使用它以及 pandas 方法的好处是什么。我使用它效率低下吗？

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
sns.set()

%matplotlib inline

#Iris Plot
iris = load_iris()
n_samples, m_features = iris.data.shape

#Load Data
X, y = iris.data, iris.target
D_target_dummy = dict(zip(np.arange(iris.target_names.shape[0]), iris.target_names))

DF_data = pd.DataFrame(X,columns=iris.feature_names)
DF_data["target"] = pd.Series(y).map(D_target_dummy)
#sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)  \
#0                  5.1               3.5                1.4               0.2   
#1                  4.9               3.0                1.4               0.2   
#2                  4.7               3.2                1.3               0.2   
#3                  4.6               3.1                1.5               0.2   
#4                  5.0               3.6                1.4               0.2   
#5                  5.4               3.9                1.7               0.4   

DF_dummies = pd.get_dummies(DF_data["target"])
#setosa  versicolor  virginica
#0         1           0          0
#1         1           0          0
#2         1           0          0
#3         1           0          0
#4         1           0          0
#5         1           0          0

from sklearn.preprocessing import OneHotEncoder, LabelEncoder
def f1(DF_data):
    Enc_ohe, Enc_label = OneHotEncoder(), LabelEncoder()
    DF_data["Dummies"] = Enc_label.fit_transform(DF_data["target"])
    DF_dummies2 = pd.DataFrame(Enc_ohe.fit_transform(DF_data[["Dummies"]]).todense(), columns = Enc_label.classes_)
    return(DF_dummies2)

%timeit pd.get_dummies(DF_data["target"])
#1000 loops, best of 3: 777 µs per loop

%timeit f1(DF_data)
#100 loops, best of 3: 2.91 ms per loop

Answer 1

对于机器学习，你几乎肯定要使用sklearn.OneHotEncoder。对于其他任务，比如简单的分析，你可能可以使用pd.get_dummies，这样会更方便一些。 p>

请注意，sklearn.OneHotEncoder 已在最新版本中进行了更新，因此它接受字符串用于分类变量以及整数。

关键在于sklearn 编码器创建了一个函数，该函数持续存在，然后可以应用于使用相同分类变量的新数据集，并获得一致的结果强>.

from sklearn.preprocessing import OneHotEncoder

# Create the encoder.
encoder = OneHotEncoder(handle_unknown="ignore")
encoder.fit(X_train)    # Assume for simplicity all features are categorical.

# Apply the encoder.
X_train = encoder.transform(X_train)
X_test = encoder.transform(X_test)

注意我们如何将通过X_train 创建的相同编码器应用到新数据集X_test。

考虑如果X_test 的其中一个变量包含与X_train 不同的级别，会发生什么情况。例如，假设X_train["color"] 仅包含"red" 和"green"，但除此之外，X_test["color"] 有时还包含"blue"。

如果我们使用pd.get_dummies，X_test 将得到一个额外的"color_blue" 列，而X_train 没有，这种不一致可能会在以后破坏我们的代码，特别是如果我们提供@987654340 @ 到我们在X_train 上训练的sklearn 模型。

如果我们想在生产环境中处理这样的数据，我们一次只接收一个示例，pd.get_dummies 将没有用处。

另一方面，使用sklearn.OneHotEncoder，一旦我们创建了编码器，我们就可以重复使用它来每次产生相同的输出，只有"red" 和"green" 的列。而且我们可以明确控制它遇到新关卡"blue"时会发生什么：如果我们认为这是不可能的，那么我们可以告诉它用handle_unknown="error"抛出一个错误；否则我们可以告诉它继续，只需将红色和绿色列设置为 0，handle_unknown="ignore"。

Answer 2

OneHotEncoder 不能直接处理字符串值。如果您的标称特征是字符串，那么您需要先将它们映射成整数。

pandas.get_dummies 正好相反。默认情况下，它只将字符串列转换为 one-hot 表示，除非指定了列。

Answer 3

您为什么不将生成的 get_dummies 中的列缓存或保存为变量 col_list，然后使用 pd.reindex 对齐训练数据集与测试数据集....示例：

df = pd.get_dummies(data)
col_list = df.columns.tolist()

new_df = pd.get_dummies(new_data)
new_df = new_df.reindex(columns=col_list).fillna(0.00) 

Answer 4

我真的很喜欢 Carl 的回答并点赞。我将稍微扩展 Carl 的示例，以便更多人希望能够欣赏 pd.get_dummies 可以处理未知数。下面的两个示例显示 pd.get_dummies 在处理未知时可以完成与 OHE 相同的事情。

# data is from @dzieciou's comment above
>>> data =pd.DataFrame(pd.Series(['good','bad','worst','good', 'good', 'bad']))
# new_data has two values that data does not have. 
>>> new_data= pd.DataFrame(
pd.Series(['good','bad','worst','good', 'good', 'bad','excellent', 'perfect']))

使用 pd.get_dummies

>>> df = pd.get_dummies(data)
>>> col_list = df.columns.tolist()
>>> print(df)
   0_bad  0_good  0_worst
0      0       1        0
1      1       0        0
2      0       0        1
3      0       1        0
4      0       1        0
5      1       0        0
6      0       0        0
7      0       0        0

>>> new_df = pd.get_dummies(new_data)
# handle unknow by using .reindex and .fillna()
>>> new_df = new_df.reindex(columns=col_list).fillna(0.00)
>>> print(new_df)
#    0_bad  0_good  0_worst
# 0      0       1        0
# 1      1       0        0
# 2      0       0        1
# 3      0       1        0
# 4      0       1        0
# 5      1       0        0
# 6      0       0        0
# 7      0       0        0

使用 OneHotEncoder

>>> encoder = OneHotEncoder(handle_unknown="ignore", sparse=False)
>>> encoder.fit(data)
>>> encoder.transform(new_data)
# array([[0., 1., 0.],
#        [1., 0., 0.],
#        [0., 0., 1.],
#        [0., 1., 0.],
#        [0., 1., 0.],
#        [1., 0., 0.],
#        [0., 0., 0.],
#        [0., 0., 0.]])