如何对每列具有多个值的要素进行编码?需要MultiDictVectorizer

Question

我正在向量化sklearn中的某些功能，但我遇到了一个问题。如果您的数据可以编码为每个项目一个字典键，则 DictVectorizer 效果很好。如果项目可以在同一列中具有两个或多个值，该怎么办？例如，DictVectorizer在这样的项目上工作得很好：

{'a': 'b', 'b': 'c'}

但是像这样的东西，每列有多个值呢？

{'a': ['b','c'], 'b': 'd'}

一热编码的策略仍然可以适用，你只需要两列......a=b 和 a=c。据我所知，不存在这样的矢量化器！在这种情况下应该怎么做？我需要创建自己的多词典矢量化器吗？

在发布之前，我在这里的一篇博客文章中写过这个。

Answer 1

对于

这种情况，至少有两种快速的解决方案：

1. 创建一个新值，该值表示具有两个聚合值的可能性

   {'a': 'bc', 'b': 'd'}或给它另一个名字，即 'bc'-->'e'

2. 每次取其中一个值时复制样本

   {'a': 'b', 'b': 'd'}和 {'a': 'c', 'b': 'd'}

但是，当然，这在很大程度上取决于您问题的上下文(情况2："复制"具有不同表现形式的样本是否正确？情况1：在概念上是否可以接受该功能的另一个新值？(。例如，我什至不知道该多值特征是否对应于N/A情况。

我已经看过你的 github 提案，所以我知道这不是你想要的，但以防万一它可以节省你的精力。

Answer 2

DictVectorizer 无法处理每个键的多个值，因此我正在为其添加此功能。如果拉取被接受，这将是sklearn的一部分。如果没有，我将在MultiDictVectorizer中对DictVectorizer进行子类化，并为此类发布一个包。

Github 上的拉取请求

sklearn Github项目中的问题