如何重新格式化分类Pandas变量科学工具包学习

Question

给定一个熊猫数据帧，如下所示：

|       | c_0337 | c_0348 | c_0351 | c_0364 |
|-------|:------:|-------:|--------|--------|
| id    |        |        |        |        |
| 11193 |    a   |      f | o      | a      |
| 11382 |    a   |      k | s      | a      |
| 16531 |    b   |      p | f      | b      |
| 1896  |    a   |      f | o      | NaN    |

我正在尝试将分类变量转换为数字（最好是二进制的真-假列）。我尝试使用scikit learn中的OneHotEncoder如下所示：

from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
enc.fit([c4k.ix[:,'c_0327':'c_0351'].values])  
OneHotEncoder(categorical_features='all',
   n_values='auto', sparse=True) 

这只是给了我：基数为10的long（）的无效文本："f"

我需要将数据放入Scikit learn可以接受的数组中，对于大多数条目（例如非常稀疏），创建的列都是false，对于包含相应字母的创建列，true？

NaN为0=错误

我怀疑我离这儿很远？比如甚至没有使用正确的预处理器？

在这方面是全新的，所以任何指针都会欣赏到实际数据集有1000多个这样的列。。。。。。因此，我尝试使用DictVectorizer如下：

from sklearn.feature_extraction import DictVectorizer
vec = DictVectorizer() 
#fill df with zeros Since we don't want NaN
c4kNZ=c4k.ix[:,'c_0327':'c_0351'].fillna(0) 
#Make the dataFrame a Dict 
c4kb=c4kNZ.to_dict() 
sdata = vec.fit_transform(c4kb) 

它给了我float（）参数必须是字符串或数字——我重新检查了dict，它看起来不错，但我想我没有正确格式化它？

Answer 1

这就是您想要的吗
它使用get_dummies将分类列转换为稀疏伪列，指示值的存在：

In [12]: df = pd.DataFrame({'c_0337':list('aaba'), 'c_0348':list('fkpf')})
In [13]: df
Out[13]:
  c_0337 c_0348
0      a      f
1      a      k
2      b      p
3      a      f
In [14]: pd.get_dummies(df)
Out[14]:
   c_0337_a  c_0337_b  c_0348_f  c_0348_k  c_0348_p
0         1         0         1         0         0
1         1         0         0         1         0
2         0         1         0         0         1
3         1         0         1         0         0