问题:
我在数据集上训练了一个比测试功能更多的数据集的分类器 数据。例如,我的原始数据集有一周的7天: 星期一至周日,在测试数据集中,每个观察 恰好是星期四(因此我的功能少6个)。因此,当我 运行
predict()
,我遇到了一个功能数量没有的错误 匹配。这些缺失的功能是未创建的功能 使用get_dummies()
:
Day_of_the_week_is_monday, Day_of_the_week_is_tuesday, ...
理想情况下,我想执行数据清洁并执行以下操作:
- 自动创建填充0s的缺失列。(自从is_thursday将拥有全部1,其余的应有0s)
- 删除任何子集数据框中的"额外"列,这些列中不存在原始培训数据。例如,get_dummies()可能在子集数据框中创建更多级别,我想删除。
可重复的示例
dataframe = pd.DataFrame({
'Result' : np.array([1,2,2,10,100],dtype='int32'),
'Day_of_the_week' : pd.Categorical(["Monday","Tuesday","Wednesday","Thursday","Friday"]),})
dataframe_dummies = pd.get_dummies(dataframe, prefix=['Day_of_the_week_is'])
### get subset dataframe
dataframe_subset = pd.DataFrame({
'Result' : np.array([1,2,2,10],dtype='int32'),
'Day_of_the_week' : pd.Categorical(["Thursday","Thursday","Thursday","Saturday"]),})
dataframe_subset_dummies = pd.get_dummies(dataframe_subset, prefix=['Day_of_the_week_is'])
主数据集看起来像:
Result Is_Friday Is_Monday Is_Thursday Is_Tuesday Is_Wednesday
0 1 0 1 0 0 0
1 2 0 0 0 1 0
2 2 0 0 0 0 1
3 10 0 0 1 0 0
4 100 1 0 0 0 0
子集数据库
Result Day_is_Saturday Day_is_Thursday
0 1 0 1
1 2 0 1
2 2 0 1
3 10 1 0
必须做什么:
1)删除is_saturday,因为它不在原始数据中。
2)添加剩余的col。
我可以手动做到这一点,但是这样做似乎很麻烦。有能力为我做到这一点吗?例如。扩展子集数据框以匹配主要数据集,或删除COLS以匹配主要数据?
一个简单的循环和检查应该可以添加缺少的列并删除缺失的列:
In [16]: a = pd.DataFrame([[1,2,3],[2,3,4]], columns=['A', 'B', 'E'])
In [17]: b = pd.DataFrame([[3,4,5],[4,5,6]], columns=['A', 'B', 'C'])
In [18]: for col in b.columns:
...: if col not in a:
...: a[col] = 0
...:
In [19]: for col in a.columns:
...: if col not in b:
...: del a[col]
...:
In [20]: a
Out[20]:
A B C
0 1 2 0
1 2 3 0