机器学习 -- 特征二值化

所涉及到的几种 sklearn 的二值化编码函数：OneHotEncoder(), LabelEncoder(), LabelBinarizer(), 及pandas.get_dummies()

一、构造数据集：

import pandas as pd

from sklearn.preprocessing import OneHotEncoder

from sklearn.preprocessing import LabelEncoder

from sklearn.preprocessing import LabelBinarizer

pd.set_option('display.width',300)

pd.set_option('display.max_columns',300)

testdata = pd.DataFrame({'pet': ['cat', 'dog', 'dog', 'fish'],'age': [4 , 6, 3, 3],'salary':[4, 5, 1, 1]})

二、观察数据：

        这里我们把 pet、age、salary 都看做类别特征，所不同的是 age 和 salary 都是数值型，而 pet 是字符串型。我们的目的很简单: 把他们全都二值化，进行 one-hot 编码。

三、代码实现

        1、对字符串类型特征 pet 做二值化处理：

                方法总共是有两种：

                    第一种：LabelEncoder() + OneHotEncoder(）

pet = OneHotEncoder(sparse=False).fit_transform(LabelEncoder().fit_transform(testdata['pet']).reshape(-1,1))

pet = pd.DataFrame(pet,columns=['pet_cat','pet_dog','pet_fish'])

                    第二：直接调用 LabelBinarizer()，用于数字和字符串都是可以的

pet_binarlizer = LabelBinarizer().fit_transform(testdata.pet)

pet = pd.DataFrame(pet_binarlizer,columns=['pet_cat','pet_dog','pet_fish'])

                    输出结果为：

        2、对数字类型特征 age,salary 做二值化处理：

                直接用 OneHotEncoder() 函数

age_and_salary = OneHotEncoder(sparse= False).fit_transform(testdata[['age',"salary"]])

age_and_salary = pd.DataFrame(age_and_salary,columns=['age_3','age_4','age_6','salary_1','salary_4','salary_5'])

                 结果为：

            3、 pandas 的concat() 连接所有数据

print(pd.concat((testdata,pet,age_and_salary),axis=1))

                结果为：

            4、总上，调用 pandas 库 中 get_dummies() 方法

            print(pd.get_dummies(testdata,columns=testdata.columns))

            结果为：