Scikit-Learn - быстрое кодирование определенных столбцов pandas кадра данных - PullRequest
Новая
       43

Scikit-Learn - быстрое кодирование определенных столбцов pandas кадра данных

2 голосов
/ 10 февраля 2020

У меня есть фрейм данных X с целочисленными, плавающими и строковыми столбцами. Я хотел бы в горячем виде кодировать каждый столбец типа «Объект», поэтому я пытаюсь сделать это: 

encoding_needed = X.select_dtypes(include='object').columns
ohe = preprocessing.OneHotEncoder()
X[encoding_needed] = ohe.fit_transform(X[encoding_needed].astype(str)) #need astype bc I imputed with 0, so some rows have a mix of zeroes and strings.

Однако в итоге я получаю IndexError: tuple index out of range. Я не совсем понимаю это согласно документации , которую кодировщик ожидает X: array-like, shape [n_samples, n_features], поэтому я должен быть в порядке, передавая фрейм данных. Как можно в одно касание закодировать список столбцов, специально отмеченных в encoding_needed?

РЕДАКТИРОВАТЬ:

Данные являются конфиденциальными, поэтому я не могу поделиться ими, и я не могу создать пустышку, поскольку она имеет 123 столбца как есть.

Я могу предоставить следующее: 

X.shape: (40755, 123)
encoding_needed.shape: (81,) and is a subset of columns.

Полный стек: 

---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-90-6b3e9fdb6f91> in <module>()
      1 encoding_needed = X.select_dtypes(include='object').columns
      2 ohe = preprocessing.OneHotEncoder()
----> 3 X[encoding_needed] = ohe.fit_transform(X[encoding_needed].astype(str))

~/anaconda3/envs/python3/lib/python3.6/site-packages/pandas/core/frame.py in __setitem__(self, key, value)
   3365             self._setitem_frame(key, value)
   3366         elif isinstance(key, (Series, np.ndarray, list, Index)):
-> 3367             self._setitem_array(key, value)
   3368         else:
   3369             # set column

~/anaconda3/envs/python3/lib/python3.6/site-packages/pandas/core/frame.py in _setitem_array(self, key, value)
   3393                 indexer = self.loc._convert_to_indexer(key, axis=1)
   3394                 self._check_setitem_copy()
-> 3395                 self.loc._setitem_with_indexer((slice(None), indexer), value)
   3396 
   3397     def _setitem_frame(self, key, value):

~/anaconda3/envs/python3/lib/python3.6/site-packages/pandas/core/indexing.py in _setitem_with_indexer(self, indexer, value)
    592                     # GH 7551
    593                     value = np.array(value, dtype=object)
--> 594                     if len(labels) != value.shape[1]:
    595                         raise ValueError('Must have equal len keys and value '
    596                                          'when setting with an ndarray')

IndexError: tuple index out of range

Ответы [ 2 ]

2 голосов
/ 10 февраля 2020 
# example data
X = pd.DataFrame({'int':[0,1,2,3],
                   'float':[4.0, 5.0, 6.0, 7.0],
                   'string1':list('abcd'),
                   'string2':list('efgh')})

   int  float string1 string2
0    0    4.0       a       e
1    1    5.0       b       f
2    2    6.0       c       g
3    3    7.0       d       h

Использование pandas

При pandas.get_dummies он автоматически выберет ваши object столбцы и удалит эти столбцы при добавлении столбцов с горячим кодированием: 

pd.get_dummies(X)

   int  float  string1_a  string1_b  string1_c  string1_d  string2_e  \
0    0    4.0          1          0          0          0          1   
1    1    5.0          0          1          0          0          0   
2    2    6.0          0          0          1          0          0   
3    3    7.0          0          0          0          1          0   

   string2_f  string2_g  string2_h  
0          0          0          0  
1          1          0          0  
2          0          1          0  
3          0          0          1

Использование sklearn

Здесь мы должны указать, что нам нужны только столбцы object: 

from sklearn.preprocessing import OneHotEncoder

ohe = OneHotEncoder()

X_object = X.select_dtypes('object')
ohe.fit(X_object)

codes = ohe.transform(X_object).toarray()
feature_names = ohe.get_feature_names(['string1', 'string2'])

X = pd.concat([df.select_dtypes(exclude='object'), 
               pd.DataFrame(codes,columns=feature_names).astype(int)], axis=1)

   int  float  string1_a  string1_b  string1_c  string1_d  string2_e  \
0    0    4.0          1          0          0          0          1   
1    1    5.0          0          1          0          0          0   
2    2    6.0          0          0          1          0          0   
3    3    7.0          0          0          0          1          0   

   string2_f  string2_g  string2_h  
0          0          0          0  
1          1          0          0  
2          0          1          0  
3          0          0          1
1 голос
/ 10 февраля 2020

Не видя ваших данных, мне трудно найти вашу ошибку. Вы можете попробовать метод get_dummies из pandas? 

pd.get_dummies(X[encoding_needed])
...