有没有办法将月份日期列拟合到具有分类数据的多元线性回归模型中？

Question

我尝试使用分类变量进行多元线性回归。 使用了一种热编码器技术解决了这个问题，但得到了这个错误。

我尝试使用 pd.to_datetime() 函数将日期字符串转换为时间戳，但随后它也给出了类似的错误 - TypeError: int() 参数必须是字符串、类似字节的对象或数字，而不是 'Timestamp'

所以我删除了这个东西，然后用其他方法解决了实际指定的错误..

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder() 
dfle = df    #df is the dataset containing column names ----- 'Section', 'BRAND', 'RSP', 'Monthstartdate', and 'Sales'*(to be predicted)* --------- 

dfle.Section = le.fit_transform(dfle.Section)  #Categorical values  (2 in number )
dfle.BRAND = le.fit_transform(dfle.BRAND)    #Categorical values (390 in number)

X = dfle[['Section', 'BRAND', 'RSP', 'Monthstartdate']].values

y = dfle.Sales



from sklearn.preprocessing import OneHotEncoder
ohe =  OneHotEncoder(categorical_features = [0])

X = ohe.fit_transform(X).toarray()

预期的结果是数组本来可以正确拟合但出现此错误。

错误 -

----> X = ohe.fit_transform(X).toarray()

ValueError：无法将字符串转换为浮点数：'01/06/2016'

（在这种情况下，'01/06/2016' 是字符串，而不是时间戳，如果它可以是时间戳并解决回归问题，那就太棒了）

Answer 1

在提供给 one-hot 编码器之前，您需要对列的所有值使用标签编码器或矢量化器或标记器。 下面的代码在我这边工作正常

import pandas as pd
df = pd.read_csv('yourfile.txt',delimiter=',')
df.head()
dfle = df.monthstartdate 
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder() 
dfle = le.fit_transform(dfle)
feature = dfle
from sklearn.preprocessing import OneHotEncoder
ohe =  OneHotEncoder(categorical_features = [0])
feature = feature.reshape(feature.shape[0], 1)
feature = ohe.fit_transform(feature) 
print (feature)

我想你错过了 dfle.monthstartdate = le.fit_transform(dfle.monthstartdate) 在您的代码中？