本文共 4328 字,大约阅读时间需要 14 分钟。
这几天埋头撰写『优雅高效地数据挖掘——基于Python的sklearn_pandas库』
一文,其中有一部分涉及如何批量并行地进行特征二值化,在此过程中发现了 scikit-learn (以下简称 sklearn)中,二值化函数存在一些坑,跟 sklearn_pandas 的作者在 github 上交流过,在此总结一下,做个记录
所涉及到的几种 sklearn 的二值化编码函数:OneHotEncoder()
, LabelEncoder()
, LabelBinarizer()
, MultiLabelBinarizer()
首先造一个测试数据
import pandas as pd from sklearn.preprocessing import OneHotEncoder from sklearn.preprocessing import LabelEncoder from sklearn.preprocessing import LabelBinarizer from sklearn.preprocessing import MultiLabelBinarizer testdata = pd.DataFrame({ 'pet': ['cat', 'dog', 'dog', 'fish'], 'age': [4 , 6, 3, 3], 'salary':[4, 5, 1, 1]})
这里我们把 pet
、age
、salary
都看做类别特征,所不同的是 age
和 salary
都是数值型,而 pet
是字符串型。我们的目的很简单: 把他们全都二值化,进行 one-hot 编码
对 age 进行二值化很简单,直接调用 OneHotEncoder
OneHotEncoder(sparse = False).fit_transform( testdata.age ) # testdata.age 这里与 testdata[['age']]等价
然而运行结果是 array([[ 1., 1., 1., 1.]])
,这个结果是错的,从 Warning 信息中得知,原因是 sklearn 的新版本中,OneHotEncoder
的输入必须是 2-D array,而 testdata.age 返回的 Series 本质上是 1-D array,所以要改成
OneHotEncoder(sparse = False).fit_transform( testdata[['age']] )
我们得到了我们想要的:
array([[ 0., 1., 0.], [ 0., 0., 1.], [ 1., 0., 0.], [ 1., 0., 0.]])
可以用同样的方法对 salary
进行 OneHotEncoder
, 然后将结果用 numpy.hstack()
把两者拼接起来得到变换后的结果
a1 = OneHotEncoder(sparse = False).fit_transform( testdata[['age']] ) a2 = OneHotEncoder(sparse = False).fit_transform( testdata[['salary']]) final_output = numpy.hstack((a1,a2))
不过这样的代码略显冗余,既然 OneHotEncoder()
可以接受 2-D array 输入,那我们可以写成这样
OneHotEncoder(sparse = False).fit_transform( testdata['age', 'salary'])
结果为
array([[ 0., 1., 0., 0., 1., 0.], [ 0., 0., 1., 0., 0., 1.], [ 1., 0., 0., 1., 0., 0.], [ 1., 0., 0., 1., 0., 0.]])
有时候我们除了得到最终编码结果,还想知道结果中哪几列属于 age
的二值化编码,哪几列属于 salary
的,这时候我们可以通过 OneHotEncoder()
自带的 feature_indices_
来实现这一要求,比如这里 feature_indices_
的值是[0, 3, 6],表明 第[0:3]列是age
的二值化编码,[3:6]是salary
的。更多细节请参考 sklearn 文档,
遗憾的是OneHotEncoder
无法直接对字符串型的类别变量编码,也就是说OneHotEncoder().fit_transform(testdata[['pet']])
这句话会报错(不信你试试)。已经有很多人在 stackoverflow 和 sklearn 的 github issue 上讨论过这个问题,但目前为止的 sklearn 版本仍没有增加OneHotEncoder
对字符串型类别变量的支持,所以一般都采用曲线救国的方式:
方法一 先用 LabelEncoder() 转换成连续的数值型变量,再用 OneHotEncoder() 二值化
方法二 直接用 LabelBinarizer() 进行二值化
然而要注意的是,无论 LabelEncoder() 还是 LabelBinarizer(),他们在 sklearn 中的设计初衷,都是为了解决标签 y 的离散化,而非输入 X, 所以他们的输入被限定为 1-D array,这恰恰跟 OneHotEncoder() 要求输入 2-D array 相左。所以我们使用的时候要格外小心,否则就会出现上面array([[ 1., 1., 1., 1.]])
那样的错误
# 方法一: LabelEncoder() + OneHotEncoder() a = LabelEncoder().fit_transform(testdata['pet']) OneHotEncoder( sparse=False ).fit_transform(a.reshape(-1,1)) # 注意: 这里把 a 用 reshape 转换成 2-D array # 方法二: 直接用 LabelBinarizer() LabelBinarizer().fit_transform(testdata['pet'])
这两种方法得到的结果一致,都是
array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 1., 0.], [ 0., 0., 1.]])
正因为LabelEncoder
和LabelBinarizer
设计为只支持 1-D array,也使得它无法像上面 OneHotEncoder 那样批量接受多列输入,也就是说LabelEncoder().fit_transform(testdata[['pet', 'age']])
会报错。
然而执着如我怎会就此放弃,我又仔细翻了翻 sklearn 的 API 接口,果然发现有个叫 MultiLabelBinarizer() 的,看着似乎可以解决这个问题,于是尝试了一下
MultiLabelBinarizer().fit_transform(testdata[['age','salary']].values)
输出结果如下
array([[0, 0, 1, 0, 0], [0, 0, 0, 1, 1], [1, 1, 0, 0, 0], [1, 1, 0, 0, 0]])
结果咋一看毫无问题,再仔细一看,被打脸!MultiLabelBinarizer
并没有分别对每列进行 one-hot 编码,而是将这几列的取值看做一个整体,每行样本都被去重了,所以结果中第一行只有一个 1 ,因为 age 和 salary 第一行取值都是 4, MultiLabelBinarizer
默认这行样本只有一个类别 4 。。。。。。
其实如果我们跳出 scikit-learn, 在 pandas 中可以很好地解决这个问题,用 pandas 自带的get_dummies
函数即可
pd.get_dummies(testdata,columns=testdata.columns)
结果正是我们想要的
age_3 age_4 age_6 pet_cat pet_dog pet_fish salary_1 salary_4 salary_5 0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 2 1.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0
get_dummies
的优势在于:
本身就是 pandas 的模块,所以对 DataFrame 类型兼容很好
不管你列是数值型还是字符串型,都可以进行二值化编码
能够根据指令,自动生成二值化编码后的变量名
这么看来,我们找到最完美的解决方案了? No!get_dummies
千般好,万般好,但毕竟不是 sklearn 里的transformer
类型,所以得到的结果得手动输入到 sklearn 里的相应模块,也无法像 sklearn 的transformer
一样可以输入到pipeline
中 进行流程化地机器学习过程。更重要的一点
get_dummies
不像 sklearn 的transformer
一样,有transform
方法,所以一旦测试集中出现了训练集未曾出现过的特征取值,简单地对测试集、训练集都用get_dummies
方法将导致数据错误
所以,若有高人有更好的解决方案,欢迎提出,非常感谢!!
sklearn 官方文档
pandas 官方文档
StackOverFlow
转载地址:http://uqxgi.baihongyu.com/