美文网首页GIS与机器学习深度学习
基于Python的数值型与字符型类别变量独热编码One-hot

基于Python的数值型与字符型类别变量独热编码One-hot

作者: 疯狂学习GIS | 来源:发表于2021-08-20 11:20 被阅读0次

      在数据处理与分析领域,数值型与字符型类别变量的编码是不可或缺的预处理操作。本文基于Python下OneHotEncoderpd.get_dummies两种方法,对机器学习中最优的编码方法——独热编码加以实现。

    1 OneHotEncoder

      首先导入必要的模块。

    import pandas as pd
    from sklearn.preprocessing import OneHotEncoder
    

      其中,OneHotEncoder是我们实现独热编码的关键模块。

      接下来,导入并显示数据前五行。

    test_data_1=pd.read_csv('G:/CropYield/03_DL/00_Data/onehot_test.csv',names=['EVI0610','EVI0626','SoilType'],header=0)
    test_data_1.head(5)
    

      关于这里导入数据代码的解释,大家可以查看博客1https://blog.csdn.net/zhebushibiaoshifu/article/details/114678731)与博客2https://blog.csdn.net/zhebushibiaoshifu/article/details/114001720),这里就不再赘述啦~

      数据前五行展示如下图。其中,前两列'EVI0610''EVI0626'为数值型连续变量,而'SoilType'为数值型类别变量。我们要做的,也就是将第三列'SoilType'进行独热编码。

    image

      接下来,进行独热编码的配置。

    ohe=OneHotEncoder(handle_unknown='ignore')
    ohe.fit(test_data_1)
    

      在这里,第一行是对独热编码的配置,第二行则是对我们刚刚导入的数据进行独热编码处理。得到一个独热编码配置的输出结果。

    image

      接下来,看看独热编码处理后,将我们的数据分成了哪些类别。

    ohe.categories_
    

      得到结果如下图。

    image

      可以发现,一共有三个array,为什么呢?仔细看可以发现,独热编码是将我们导入的三列数据全部都当作类别变量来处理了。之所以会这样,是因为我们在一开始没有表明哪一列是类别变量,需要进行独热编码;而哪一列不是类别变量,从而不需要进行独热编码。

      那么,我们如何实现上述需求,告诉程序我们要对哪一行进行独热编码呢?在老版本的sklearn中,我们可以借助categorical_features=[x]参数来实现这一功能,但是新版本sklearn取消了这一参数。那么此时,一方面,我们可以借助ColumnTransformer来实现这一过程,另一方面,我们可以直接对需要进行转换的列加以处理。后者相对较为容易理解,因此本文对后者进行讲解。

      我们将test_data_1中的'SoilType'列作为索引,从而仅仅对该列数据加以独热编码。

    ohe_column=pd.DataFrame(ohe.fit_transform(test_data_1[['SoilType']]).toarray())
    ohe_column.head(5)
    

      其中,[['SoilType']]表示仅仅对这一列进行处理。得到结果如下图。

    image

      可以看到,原来的'SoilType'列现在成为了63列的编码列,那么这样的话,说明我们原先的'SoilType'应该一共是有63个不同的数值。是不是这个样子呢?我们来检查一下。

    count=pd.DataFrame(test_data_1['SoilType'].value_counts())
    print(count)
    

      得到结果如下。

    image

      好的,没有问题:可以看到此结果共有63行,也就是'SoilType'列原本是有63个不同的值的,证明我们的独热编码没有出错。

      此时看一下我们的test_data_1数据目前长什么样子。

    test_data_1.head(5)
    
    image

      是的,我们仅仅对'SoilType'列做了处理,没有影响到整个初始数据。那么先将原本的'SoilType'列剔除掉。

    test_data_1=test_data_1.drop(['SoilType'],axis=1)
    test_data_1.head(5)
    
    image

      再将经过独热编码处理后的63列加上。

    test_data_1.join(ohe_column)
    
    image

      大功告成!

      但是这里还有一个问题,我们经过独热编码所得的列名称始以数字来命名的,非常不方便。因此,有没有什么办法可以在独热编码进行的同时,自动对新生成的列加以重命名呢?

    2 pd.get_dummies

      pd.get_dummies是一个最好的办法!其具体用法与上述OneHotEncoder类似,因此具体过程就不再赘述啦,大家看代码就可以明白。

      首先还是导入与上述内容中一致的初始数据。

    test_data_2=pd.read_csv('G:/CropYield/03_DL/00_Data/onehot_test.csv',names=['EVI0610','EVI0626','SoilType'],header=0)
    test_data_2.head(5)
    
    image

      进行独热编码并看看结果。

    test_data_2_ohe=pd.get_dummies(test_data_2,columns=['SoilType'])
    test_data_2_ohe.head(5)
    
    image

      最终结果中,列名称可以说是非常醒目,同时,共有65列数据,自动删除了原本的'SoilType'列,实现了“独热编码”“新列重命名”与“原始列删除”,可谓一举三得,简直是太方便啦~

    相关文章

      网友评论

        本文标题:基于Python的数值型与字符型类别变量独热编码One-hot

        本文链接:https://www.haomeiwen.com/subject/qoqtiltx.html