scikit learn LinearRegression 字符串预测值

Question

在使用教程完成了一些课程和示例之后，我尝试创建我的第一个机器学习模型。我从这里得到了训练数据：https://raw.github.com/pydata/pandas/master/pandas/tests/data/iris.csv，我正在使用 panda 来加载这个 csv 数据。

主要问题是预测列是字符串，所有算法都使用浮点数。

当然，我可以手动映射所有带有数字 (0,1,2) 的字符串并使用更改的文件，但我尝试找出一种方法来使用 panda 或 scikit-learn 自动替换字符串值并将它们映射到单独的数组中.

我的代码是：

import pandas as pd
from sklearn.cross_validation import train_test_split
from sklearn.linear_model import LinearRegression

data = pd.read_csv("https://raw.github.com/pydata/pandas/master/pandas/tests/data/iris.csv")

data.head()

features_cols = ['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth']
X = df[features_cols]
y = data.Name

X_train, X_test, y_train, y_test = train_test_split(X,y,random_state=1)
linreg = LinearRegression()
linreg.fit(X_train, y_train)

看到的错误是：

ValueError: could not convert string to float: 'Iris-setosa'

如何使用 panda 将“名称”列中的所有值替换为整数？

Answer 1

你可以使用scikit-learn的LabelEncoder

>>> from pandas import pd
>>> from sklearn import preprocessing
>>> df = pd.DataFrame({'Name':['Iris-setosa','Iris-setosa','Iris-versicolor','Iris-virginica','Iris-setosa','Iris-versicolor'], 'a': [1,2,3,4,1,1]})
>>> y = df.Name
>>> le = preprocessing.LabelEncoder()
>>> le.fit(y)  # fit your y array
LabelEncoder()
>>> le.classes_  # check your unique classes
array(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype=object)
>>> y_transformed = le.transform(y)  # transform your y with numeric encodings
>>> y_transformed
array([0, 0, 1, 2, 0, 1], dtype=int64)

Answer 2

我建议您像这样直接从 scikit-learn 导入 iris dataset：

from sklearn import datasets

iris = datasets.load_iris()
X = iris.data
y = iris.target

演示：

In [9]: from sklearn.cross_validation import train_test_split

In [10]: from sklearn.linear_model import LinearRegression

In [11]: X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

In [12]: linreg = LinearRegression()

In [13]: linreg.fit(X_train, y_train)
Out[13]: LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

In [14]: linreg.score(X_test, y_test)
Out[14]: 0.89946565707178838

In [15]: y
Out[15]: 
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
       1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
       2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])