在scikit字典矢量化器中按特征名称提取特征

Question

我有一个字典列表，我使用scikit-learn中的DictVectorizer将其转换为矢量代表

from sklearn.feature_extraction import DictVectorizer
vec = DictVectorizer()
dictvector = D = [{'foo': 'city1', 'bar': 2, 'label':'c1'}, {'foo': 'city2', 'baz': 1, 'label':'c2'}]
dictVector = vec.fit_transform(dictList)

现在，我想从每一行中提取特征"label"的所有元组的值，然后从向量中删除它们。这将有助于将向量用作scikit决策树分类器的输入，并将相应的标签用作分类器的基本事实。

但是当我尝试将功能名称作为字典键调用时。我被要求只使用整数而不是字符串。如何解决同样的问题？

Answer 1

具有DictVectorizer的特征映射到 numpy 数组，该数组将特征表示为NxM数字矩阵(字典丢失(。但是，类DictVectorizer在内部保留映射函数，您可以使用 .inverse_transform 恢复它。来自 DictVectorizer 的文档：

from sklearn.feature_extraction import DictVectorizer
>>> v = DictVectorizer(sparse=False)
>>> D = [{'foo': 1, 'bar': 2}, {'foo': 3, 'baz': 1}]
>>> X = v.fit_transform(D)
>>> X
array([[ 2.,  0.,  1.],
       [ 0.,  1.,  3.]])
>>> v.inverse_transform(X) == [{'bar': 2.0, 'foo': 1.0}, {'baz': 1.0, 'foo': 3.0}]
True

因此，对于属于 X 的单个实例x_i(行(，您可以将映射恢复为：

>>> v.inverse_transform(X[i][None, :])

最后一位[None, :]转换1xM行向量中的M长度行X[i]。并非完全需要，但scikits-learn会发出警告。以下方法也应该有效：

>>> v.inverse_transform(X[i])

---

现在，回答问题，要从数据X中删除给定特征，DictVectorizer还存储与feature_names_中的每个特征相对应的名称。

>>> v.feature_names_
['bar', 'baz', 'foo']

因此，您可以执行以下操作：

>>> column = v.feature_names_.index('foo') # Column mapping index of key 'foo'
>>> values = X[:, column] # get values
>>> X[:, column] = 0 # remove them from X

---

最后，将答案扩展到具有DictVectorizer(sparse=True)的稀疏矩阵，其中X现在是一个 NxM 稀疏矩阵而不是 numpy 数组。上述解决方案只需稍作修改即可(注意值提取中的.todense()(：

>>> column = v.feature_names_.index('foo')
>>> values = X[:, column].todense() # get values
>>> X[:, column] = 0 # remove them from X

将上面的代码中的'foo'替换为'label'，使其适合您。