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。
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。