利用pandas将非数值数据转换成数值

handle non numerical data

举个例子，将性别属性男女转换成0-1，精通ML的小老弟们可以略过本文~~，
这里不考虑稀疏向量的使用，仅提供一些思路。本来想直接利用pandas的DataFrame.iloc加上for循环直接转换，但试过一遍之后，原数据并有改变。。。。蛋疼写了一个比较 菜的函数，如下。

#  非数值列处理函数
def handel_non_numerical_data(df,name): #----------------name是需要处理的列名称(str)，暂不考虑列表
    nrows = len(df[name])               #----------------数据集的行数
    old_col = df.columns.tolist()       #----------------初始的列名集合
    name_index = old_col.index(name)    #---------要处理的列的在数据集中的索引值
    name_data = df[name].values.tolist()#-----------将要处理烦人列复制成一个列表
    df.drop([name],axis =1,inplace =True)   
    unique_kinds = set(name_data)
    convert_dict = {}; x = 0                     #构造对应种类数值转化字典
    for i in unique_kinds:
        convert_dict[i] = x
        x += 1
    def convert(val):
        return convert_dict[val] 
    name_data = list(map(convert,name_data))#利用map函数直接迭代转化
        
    new_col = df.columns.tolist()
    new_col.insert(name_index,name)
    df.reindex(columns = new_col) #----------------重构数据的列
    df[name] = name_data

跑了一遍没有出错，注意这只是baseline…，如果对数值有要求的话，需要自行改动
原本是想直接用youtube上sentdex老哥ml35期视频里的代码的，但发现了几个较为严重的bug，而且总是运行出错 ，如下

def handle_non_numerical_data(df):
    columns = df.columns.values
    for column in columns:
        text_digit_vals = {}
        def convert_to_int(val):
            return text_digit_vals[val]
        if df[column].dtype != np.int64 and df[column].dtype != np.float64:
            column_content = df[column].values.tolist()
            unique_elements = set(column_content)
            print(unique_elements)
            x =0
            for unique in unique_elements:
                if unique not in text_digit_vals:
                    text_digit_vals[unique] = x
                    x+=1
        df[column] = list(map(convert_to_int,df[column]))

可见，非常暴力，注意到他的if条件，有的数据集中会出现字母数字组合的情况【会出现dtype=object的情况】，set之后种类会草鸡多…，这样的话数值转换也就失去了意义【当然，如果你的样本量是亿级的，几千几百个种类无所谓我也无fuck说，这种情况我认为必须使用稀疏向量了】，另外这个代码一直报错，不知道为什么，有兴趣的老哥可以复制跑一下帮我解答一下。。。

---------------------------2019-08-21分割：
https://www.kaggle.com/nroman/recursive-feature-elimination

LabelEncoder方法

from sklearn.preprocessing import LabelEncoder

注：tqdm是进度条库，不需要关注。另外没有去看这个接口的源码，应该也是最简单的one-hot