如何处理类别型特征?
目录:
- 问题描述
- 数据准备
- 标签编码
- 自定义二分类
- one-hot 编码
问题描述
一般特征可以分为两类特征,连续型和离散型特征,而离散型特征既有是数值型的,也有是类别型特征,也可以说是字符型,比如说性别,是男还是女;职业,可以是程序员,产品经理,教师等等。
本文将主要介绍一些处理这种类别型特征的方法,分别来自 pandas 和 sklearn 两个常用的 python 库给出的解决方法,这些方法也并非是处理这类特征的唯一答案,通常都需要具体问题具体分析。
数据准备
参考文章:https://mlln.cn/2018/09/18/pandas%E6%96%87%E6%9C%AC%E6%95%B0%E6%8D%AE%E8%BD%AC%E6%95%B4%E6%95%B0%E5%88%86%E7%B1%BB%E7%BC%96%E7%A0%81%E7%9A%84%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5/
采用 UCI 机器学习库的一个汽车数据集,它包括类别型特征和连续型特征,首先是简单可视化这个数据集的部分样本,并简单进行处理。
首先导入这次需要用到的 python 库:
import pandas as pd
import numpy as np
import pandas_profiling
from sklearn.feature_extraction import DictVectorizer
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
接着加载数据:
# 定义数据的列名称, 因为这个数据集没有包含列名称
headers = ["symboling", "normalized_losses", "make", "fuel_type", "aspiration","num_doors", "body_style", "drive_wheels", "engine_location","wheel_base", "length", "width", "height", "curb_weight","engine_type", "num_cylinders", "engine_size", "fuel_system","bore", "stroke", "compression_ratio", "horsepower", "peak_rpm","city_mpg", "highway_mpg", "price"]# 读取在线的数据集, 并将?转换为缺失NaN
df = pd.read_csv("http://mlr.cs.umass.edu/ml/machine-learning-databases/autos/imports-85.data",header=None, names=headers, na_values="?" )
df.head()[df.columns[:10]]
展示的前 10 列的 5 行数据结果如下:
这里介绍一个新的数据分析库--pandas_profiling
,这个库可以帮我们先对数据集做一个数据分析报告,报告的内容包括说明数据集包含的列数量、样本数量,每列的缺失值数量,每列之间的相关性等等。
安装方法也很简单:
pip install pandas_profiling
使用方法也很简单,用 pandas
读取数据后,直接输入下列代码:
df.profile_report()
显示的结果如下,概览如下所示,看右上角可以选择有 5 项内容,下面是概览的内容,主要展示数据集的样本数量,特征数量(列的数量)、占用内存、每列的数据类型统计、缺失值情况等:
这是一个很有用的工具,可以让我们对数据集有一个初步的了解,更多用法可以去查看其 github 上了解:
https://github.com/pandas-profiling/pandas-profiling
加载数据后,这里我们仅关注类别型特征,也就是 object
类型的特征,这里可以有两种方法来获取:
方法1:采用 pandas 提供的方法 select_dtypes
:
df2 = df.select_dtypes('object').copy()
df2.head()
方法2: 通过 bool
型的 mask 获取 object 类型的列
category_feature_mask = df.dtypes == object
category_cols = df.columns[category_feature_mask].tolist()
df3 = df[category_cols].copy()
df3.head()
输出结果如下:
因为包含一些缺失值,这里非常简单的选择丢弃的方法,但实际上应该如何处理缺失值也是需要考虑很多因素,包括缺失值的数量等,但这里就不展开说明了:
# 简单的处理缺失值--丢弃
df2.dropna(inplace=True)
标签编码
第一种处理方法是标签编码,其实就是直接将类别型特征从字符串转换为数字,有两种处理方法:
- 直接替换字符串
- 转为
category
类型后标签编码
直接替换字符串,算是手动处理,实现如下所示,这里用 body_style
这列特征做例子进行处理,它总共有 5 个取值方式,先通过 value_counts
方法可以获取每个数值的分布情况,然后映射为数字,保存为一个字典,最后通过 replace
方法进行转换。
第二种,就是将该列特征转化为 category
特征,然后再用编码得到的作为数据即可:
自定义二分类
第二种方法比较特别,直接将所有的类别分为两个类别,这里用 engine_type
特征作为例子,假如我们仅关心该特征是否为 ohc
,那么我们就可以将其分为两类,包含 ohc
还是不包含,实现如下所示:
One-hot 编码
前面两种方法其实也都有各自的局限性
- 第一种标签编码的方式,类别型特征如果有3个以上取值,那么编码后的数值就是 0,1,2等,这里会给模型一个误导,就是这个特征存在大小的关系,但实际上并不存在,所以标签编码更适合只有两个取值的情况;
- 第二种自定义二分类的方式,局限性就更大了,必须是只需要关注某个取值的时候,但实际应用很少会这样处理。
因此,这里介绍最常用的处理方法--One-hot 编码。
实现 One-hot 编码有以下 3 种方法:
- Pandas 的
get_dummies
- Sklearn 的
DictVectorizer
- Sklearn 的
LabelEncoder
+OneHotEncoder
Pandas 的 `get_dummies`
首先介绍第一种--Pandas 的 get_dummies
,这个方法使用非常简单了:
Sklearn 的`DictVectorizer`
第二种方法--Sklearn 的 DictVectorizer
,这首先需要将 dataframe
转化为 dict
类型,这可以通过 to_dict
,并设置参数 orient=records
,实现代码如下所示:
Sklearn 的 `LabelEncoder`+`OneHotEncoder`
第三种方法--Sklearn 的 LabelEncoder
+OneHotEncoder
首先是定义 LabelEncoder
,实现代码如下,可以发现其实它就是将字符串进行了标签编码,将字符串转换为数值,这个操作很关键,因为 OneHotEncoder
是不能处理字符串类型的,所以需要先做这样的转换操作:
接着自然就是进行 one-hot 编码了,实现代码如下所示:
此外,采用 OneHotEncoder
的一个好处就是可以指定特征的维度,这种情况适用于,如果训练集和测试集的某个特征的取值数量不同的情况,比如训练集的样本包含这个特征的所有可能的取值,但测试集的样本缺少了其中一种可能,那么如果直接用 pandas 的get_dummies
方法,会导致训练集和测试集的特征维度不一致了。
实现代码如下所示:
总结
对于类别型特征,最常用的还是 one-hot 编码,但很多问题都是需要具体问题具体分析,仅仅 one-hot 编码并不一定可以解决所有的类别型特征问题,需要多实践多总结经验。
参考
- https://mlln.cn/2018/09/18/pandas%E6%96%87%E6%9C%AC%E6%95%B0%E6%8D%AE%E8%BD%AC%E6%95%B4%E6%95%B0%E5%88%86%E7%B1%BB%E7%BC%96%E7%A0%81%E7%9A%84%E6%9C%80%E4%BD%B3%E5%AE%9E%E8%B7%B5/
- https://blog.csdn.net/selous/article/details/72457476
- https://towardsdatascience.com/encoding-categorical-features-21a2651a065c
- https://www.cnblogs.com/zhoukui/p/9159909.html
如何处理类别型特征?相关推荐
- 一文了解类别型特征的编码方法
来源:Unsplash,作者:an Rizzari 2019 年第 78 篇文章,总第 102 篇文章 目录: 问题描述 数据准备 标签编码 自定义二分类 one-hot 编码 总结 问题描述 一般特 ...
- ML之FE:对pandas的dataframe中的类别型字段进行数字编码化(类别型特征数值化)并导出映射表daiding
ML之FE:对pandas的dataframe中的类别型字段进行数字编码化(类别型特征数值化)并导出映射表daiding 目录 对pandas的dataframe中的类别型字段进行数字编码化(类别型特 ...
- KDD 2021 | 谷歌DHE:不使用embedding table的类别型特征embedding
作者 | Chilia 哥伦比亚大学 NLP搜索推荐 整理 | NewBeeNLP 类别型特征(用户ID/物品ID)的embedding在推荐系统中扮演着重要的作用,标准的方式是用一个(巨大的)emb ...
- 【机器学习】树模型遇上类别型特征(Python)
在数据挖掘项目的数据中,数据类型可以分为两种:有序的连续数值 和 无序的类别型特征. 对于xgboost.GBDT等boosting树模型,基学习通常是cart回归树,而cart树的输入通常只支持连续 ...
- CatBoost 是如何自动高级处理类别型特征的?
我们知道,CatBoost可以很好地处理类别型数据.然而,它还具有大量的训练参数,可以更好地对类别型特征进行预处理.本文中,小猴子将和大家一起学习如何使用这些参数处理类别型特征的. CatBoost是 ...
- lightgbm模型处理类别型特征
类别型特征编码由于是字符串类型,所以一般需要经过编码处理转换成数值型.本文主要想说的是直接将字符串值传到lightgbm中训练.注意:xgboost模型也需要提前one-hot编码转换才能入模. 下面 ...
- 类别型数据的预处理方法
在机器学习过程中,我们往往需要对数据进行预处理.根据数据的取值情况,我们可以把数据总体分为两大类:类别型数据和数值型数据. 对于数值性变量,通常不需要对其进行编码处理.而如何处理类别型数据是一个难题. ...
- 机器学习之类别性特征
类别型特征原始输入通常是字符串形式,除了决策树等少数模型能直接处理字符串形式的输入,对于逻辑回归.支持向量机等模型来说,类别型特征必须经过处理转换成数值型.Sklearn中提供了几个转换器来处理文本属 ...
- 【从零开始的ML-02】LinearRegression 类别型变量引入线性回归的几种方法
1. Replace 直接替换 例如根据学生测验成绩(0-100分)划分为A(>90)B(80-90)C(70-80)D(<70)四个阶段. 2.map()替换 类似replace(),没 ...
最新文章
- 程序、进程、线程的关系
- 项目管理沙龙第七次聚会纪要
- Scala 数组详解
- hbuilder egit插件的安装使用--项目文件丢失的教训
- mac os mojave也没有增加简体拼音的专用词汇
- 每列大于0的个数_题目1342——把一个数字减少到0的步骤数
- PCB的阻抗控制与前端仿真(SI9000的应用)(Z)
- 【原】基础篇:第一篇,本节主要向大家介绍Ext的最基础的话题
- 2021安徽舒城中学高考成绩查询,2021安徽省地区高考成绩排名查询,安徽省高考各高中成绩喜报榜单...
- Floyed(floyd)算法详解
- MTK 驱动---(11) EMI定制
- php权限无需验证的控制器,Thinkphp6用中间件实现多个控制器判断用户登录权限
- c语言求栈长度程序,数据结构C语言实现之顺序栈
- Ubuntu18.04安装百度网盘客户端
- 正则表达式给查找到的内容加引号
- 开发一个多用户商城系统多少钱
- 取十位数,百位数,千位数的各位方法小姐
- MySql数据库版本查询
- 产品管理工具和项目管理工具
- 商业智能中的决策, 数据和数据处理方法
热门文章
- 光散射探测粉尘传感技术在四方光电PM3006扬尘传感器上的应用
- webpack中将打包后的文件复制到指定路径
- 爬取14000+条数据!分析招聘网站岗位信息
- AirDisk存宝离线怎么回事?怎么解决?
- py遍历字符串的每个字符_“你的字符串遍历对了吗?”
- 基于零代码搭建你自己的设备管理系统
- java jtextfield清空_java – 当鼠标点击JTextField时如何清除JTextField
- linux ipc通信,linux-IPC进程通信-UNIX Domain Socket IPC (sockaddr_un) (上)
- TOMCAT下ab测试出现超时的解决
- adblockplus过滤规则(适用ss自定义pac文件)