我正在尝试使用看起来像这样的预处理数据:
train.head(4)
Id MSSubClass MSZoning LotFrontage LotArea Street Alley LotShape LandContour Utilities ... PoolArea PoolQC Fence MiscFeature MiscVal MoSold YrSold SaleType SaleCondition SalePrice
0 1.0 60.0 RL 65.0 8450 Pave NaN Reg Lvl AllPub ... 0 NaN NaN NaN 0 2 2008 WD Normal 208500
1 2.0 20.0 RL 80.0 9600 Pave NaN Reg Lvl AllPub ... 0 NaN NaN NaN 0 5 2007 WD Normal 181500
2 3.0 60.0 RL 68.0 11250 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 9 2008 WD Normal 223500
3 4.0 70.0 RL 60.0 9550 Pave NaN IR1 Lvl AllPub ... 0 NaN NaN NaN 0 2 2006 WD Abnorml 140000
4 rows × 81 columns
我必须找到一种将这些字符串变成数字的方法,以便我可以将它们用于回归。我还知道,如果我简单地编号,我可能会引入错误的距离逻辑(不是一个热编码(。有人知道一种明智的方法吗?
n
您可以尝试pandas.get_dummies()
来编码分类数据。您可以在此处查看文档。它不会转换您的整数值(即它将使他们完整。
df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],
'C': [1, 2, 3]})
pd.get_dummies(df, prefix=['col1', 'col2'])
C col1_a col1_b col2_a col2_b col2_c
0 1 1 0 0 1 0
1 2 0 1 1 0 0
2 3 1 0 0 0 1
如果分类特征的数量较大,并且每个分类的唯一值的数量也很大,则可以尝试Scikit-Learn的Distvectorizer。请参阅此处的文档。
您可以检查此链接以查看基于算法使用的编码。