一个热编码错误 python 机器学习

Question

我正在机器学习中使用分类变量。以下是我的数据示例：

age,gender,height,class,label
25,m,43,A,0
35,f,45,B,1
12,m,36,C,0
14,f,42,A,0

性别和身高有两个分类变量。我使用了标签编码技术。

我的代码：

import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder,OneHotEncoder
df=pd.read_csv('test.csv')
X=df.drop(['label'],1)
y=np.array(df['label'])
data=X.iloc[:,:].values
lben = LabelEncoder()
data[:,1] = lben.fit_transform(data[:,1])
data[:,3] = lben.fit_transform(data[:,3])
onehotencoder = OneHotEncoder(categorical_features=[1])
data = onehotencoder.fit_transform(data).toarray()
onehotencoder = OneHotEncoder(categorical_features=[3])
data = onehotencoder.fit_transform(data).toarray()
print(data.shape)
np.savetxt('data.csv',data,fmt='%s')    

数据.csv如下所示：

0.0 0.0 1.0 0.0 0.0 1.0 25.0 0.0
0.0 0.0 0.0 1.0 1.0 0.0 35.0 1.0
1.0 0.0 0.0 0.0 0.0 1.0 12.0 2.0
0.0 1.0 0.0 0.0 1.0 0.0 14.0 0.0

我无法理解为什么列是这样的，即"高度"列的值在哪里。此外，data.shape 是 (4,8( 而不是 (4,7(，即(性别由 2 列表示，类由 3 表示，以及"年龄"和"身高"特征。

Answer 1

你确定需要使用LabelEncoder+OneHotEncoder吗？有一种更简单的方法(不允许执行高级过程，但到目前为止，您似乎在研究基础知识(：

import pandas as pd
import numpy as np
df=pd.read_csv('test.csv')
X=df.drop(['label'],1)
y=np.array(df['label'])
data = pd.get_dummies(X)

---

当前代码的问题在于，在完成第一个 OHE 之后：

onehotencoder = OneHotEncoder(categorical_features=[1])
data = onehotencoder.fit_transform(data).toarray()

列被移位，第 3 列实际上是原始height列，而不是标签编码的class列。因此，将第二个更改为使用第 4 列，您将获得所需的内容。