我需要將獨立字段從字符串轉(zhuǎn)換為算術(shù)符號。我正在使用 OneHotEncoder 進行轉(zhuǎn)換。我的數(shù)據(jù)集有許多獨立的列，其中一些是：Country | Age --------------------------Germany | 23Spain | 25Germany | 24Italy | 30 我必須對 Country 列進行編碼0 | 1 | 2 | 3--------------------------------------1 | 0 | 0 | 230 | 1 | 0 | 251 | 0 | 0 | 24 0 | 0 | 1 | 30我成功地通過使用 OneHotEncoder 作為#Encoding the categorical datafrom sklearn.preprocessing import LabelEncoderlabelencoder_X = LabelEncoder()X[:,0] = labelencoder_X.fit_transform(X[:,0])#we are dummy encoding as the machine learning algorithms will be#confused with the values like Spain > Germany > Francefrom sklearn.preprocessing import OneHotEncoderonehotencoder = OneHotEncoder(categorical_features=[0])X = onehotencoder.fit_transform(X).toarray()現(xiàn)在我收到了要使用的折舊消息categories='auto'。如果我這樣做，將對所有獨立列（如國家、年齡、工資等）進行轉(zhuǎn)換。如何僅在數(shù)據(jù)集第 0 列上實現(xiàn)轉(zhuǎn)換？
3 回答
月關(guān)寶盒
TA貢獻1772條經(jīng)驗 獲得超5個贊
實際上有2個警告：
FutureWarning：整數(shù)數(shù)據(jù)的處理將在 0.22 版本中更改。目前，類別是根據(jù)范圍 [0, max(values)] 確定的，而將來它們將根據(jù)唯一值確定。如果您想要未來的行為并消除此警告，您可以指定“categories='auto'”。如果您在此 OneHotEncoder 之前使用 LabelEncoder 將類別轉(zhuǎn)換為整數(shù)，那么您現(xiàn)在可以直接使用 OneHotEncoder。
第二個：
'categorical_features' 關(guān)鍵字在 0.20 版中已棄用，并將在 0.22 版中刪除。您可以改用 ColumnTransformer。
“改用 ColumnTransformer。”，DeprecationWarning）
將來，您不應(yīng)直接在 OneHotEncoder 中定義列，除非您想使用“categories='auto'”。第一條消息還告訴您直接使用 OneHotEncoder，而不是先使用 LabelEncoder。最后，第二條消息告訴您使用 ColumnTransformer，它就像用于列轉(zhuǎn)換的管道。
這是您案例的等效代碼：
from sklearn.compose import ColumnTransformer
ct = ColumnTransformer([("Name_Of_Your_Step", OneHotEncoder(),[0])], remainder="passthrough")) # The last arg ([0]) is the list of columns you want to transform in this step
ct.fit_transform(X)
另請參閱：ColumnTransformer 文檔
對于上面的例子；
編碼分類數(shù)據(jù)（基本上將文本更改為數(shù)字數(shù)據(jù)，即國家/地區(qū)名稱）
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.compose import ColumnTransformer
#Encode Country Column
labelencoder_X = LabelEncoder()
X[:,0] = labelencoder_X.fit_transform(X[:,0])
ct = ColumnTransformer([("Country", OneHotEncoder(), [0])], remainder = 'passthrough')
X = ct.fit_transform(X)
添加回答
舉報
0/150
提交
取消