多属性色谱柱的 H2O 处理答案

【问题标题】：H2O handling of multi-attributed columns多属性色谱柱的 H2O 处理
【发布时间】：2017-08-10 02:58:10
【问题描述】：

H2O 如何处理多属性分类特征（即具有逗号分隔值的列，例如 ('1,2,3', '1,4', '1,2')？我需要将它们拆分为手动多列（one-hot 编码）？

更具体地说，假设数据是一个制表符分隔的文件，如下所示：

col1 col2 1 1,2,3 2 1,4 1 1,2

【问题讨论】：

H2O 需要表格数据。请以表格格式举例说明您的数据是什么样的。我无法判断这些值是否代表您数据的一个单元格...我不确定您如何将这些数据保存在 CSV 文件中，除非该单元格是如下所示的字符串："('1,2,3', '1,4', '1,2')"。
我有一个 tsv（制表符分隔文件），其中一列有逗号分隔值。我添加了示例，但您可以假设数据只是一个 pandas DataFrame。
好的，谢谢，这更有意义。

标签： h2o

【解决方案1】：

答案取决于这些数字代表什么。

单热编码涉及获取一个分类列并将该单列扩展为一组布尔列。这里的假设是，在这些布尔列中，训练观察一次只能属于其中一列（这就是 one-hot 中的“一”的来源）——只有一列可以是“活动的”。

如果您想考虑1,2,3 它是自己的类别（而不是三个类别），那么如果您想以这种方式表示数据，那就没问题了。在这种情况下，您可以将数据保持原样，因为 H2O 会自动对引擎盖下的分类列进行一次性编码，只要它们被编码为因子（又名枚举）类型。假设您的数据框只是这三行，那么将有三个类别：1,2,3、1,4 和 1,2。

如果col2 中的1,2,3 值表示第1 行与三个独立的独立类别相关联，那么您应该手动将col2 替换为C 个二进制指示符列，其中C 是类别的总数。同样，如果这三行代表您的整个数据框，那么您将 col2 替换为四列。您的新数据框将如下所示：

col1 col2_1 col2_2 col2_3 col2_4  
1    1      1      1      0
2    1      0      0      1
1    1      1      0      0

【讨论】：

谢谢，这完全有道理，只是想知道我是否必须手动完成。