在 Python 中重新编码分类变量

Question

我一直在尝试使用 Anaconda 发行版学习 Python 3.6。我在使用的在线课程的内容上遇到了障碍，需要一些帮助来解决一些错误消息。我会问课程的讲师，但他们似乎对学生的问题反应不灵敏。

我在处理用于重新编码分类数据的三个主要类时遇到了一些麻烦。据我了解，从用于重新编码变量的 scikitlearn 包中提取了三个类：LabelEncoder、OneHotEncoder 和 LabelBinarizer。我试图使用每个来重新编码数据集中的分类变量，但每个都不断出错。

请原谅我对示例代码的相对笨拙。正如人们可能已经猜到我的问题的基础一样，我不太精通 python.

对象 X 包含几列，第一列是我需要转换的分类字符串（如果有人也能告诉我如何插入表格，那会很有帮助。我必须使用 HTML?):

"Fish" 1 5 3
"Dog" 2 6 9
"Dog" 8 8 8
"Cat" 5 7 6
"Cat" 6 6 6

标签编码器尝试

下面是我试图实现的代码，以及我收到的关于对象 X 的错误消息，它大致具有我上面描述的属性。

from sklearn.preprocessing import LabelEncoder
labelencoder_X =LabelEncoder 
X[:, 0] = LabelEncoder.fit_transform(X[:, 0])

TypeError: fit_transform() missing 1 required positional argument: 'y'

令我震惊的是，我认为上面的代码清楚地定义了 y 是 X 的第一列。

OneHotEncoder

from sklearn.preprocessing import OneHotEncoder 
onehotencoder = OneHotEncoder(categorical_features=[0]) 
X = onehotencoder.fit_transform[X].toarray()

TypeError: 'method' object is not subscriptable

标签二值化器

我发现这个最难理解，根据数据集的结构实际上无法尝试。

您提供的任何指导或建议都将大有帮助。

Answer 1

让我们一步一步来。

首先加载您在名称为 X 的 numpy 数组中显示的数据

import numpy as np
X = np.array([["Fish", 1, 5, 3],
              ["Dog",  2, 6, 9],
              ["Dog",  8, 8, 8],
              ["Cat",  5, 7, 6],
              ["Cat",  6, 6, 6]])

现在试试你的代码。

1) 标签编码器

from sklearn.preprocessing import LabelEncoder
labelencoder_X =LabelEncoder 
X[:, 0] = LabelEncoder.fit_transform(X[:, 0])

您在这里做错的是您将 class LabelEncoder 用作对象，并在其上调用 fit_transform。因此更正：

from sklearn.preprocessing import LabelEncoder
labelencoder_X =LabelEncoder()
X[:, 0] = labelencoder_X.fit_transform(X[:, 0])

查看上面第 2 行和第 3 行的更改。首先，我通过调用 LabelEncoder() 创建了 LabelEncoder class 的对象 labelencoder_X，然后使用该对象通过 labelencoder_X.fit_transform() 调用 fit_transform() .然后这段代码不会给出任何错误，新的 X 是：

Output:
array([['2', '1', '5', '3'],
       ['1', '2', '6', '9'],
       ['1', '8', '8', '8'],
       ['0', '5', '7', '6'],
       ['0', '6', '6', '6']], dtype='|S4')

看到第一列修改成功

2) OneHotEncoder

您的代码：

from sklearn.preprocessing import OneHotEncoder 
onehotencoder = OneHotEncoder(categorical_features=[0]) 
X = onehotencoder.fit_transform[X].toarray()

现在，您没有犯在 LabelEncoder 中犯的错误。您通过调用 OneHotEncoder(...) 正确地初始化了对象。但是您使用 fit_transform[X] 时犯了一个错误。您会看到 fit_transform 是一个方法，应该像这样使用圆括号调用：fit_transform()。

有关错误的详细信息，请参阅 this question。

正确的代码应该是：

from sklearn.preprocessing import OneHotEncoder 
onehotencoder = OneHotEncoder(categorical_features=[0]) 
X = onehotencoder.fit_transform(X).toarray()

Output: 
array([[0., 0., 1., 1., 5., 3.],
       [0., 1., 0., 2., 6., 9.],
       [0., 1., 0., 8., 8., 8.],
       [1., 0., 0., 5., 7., 6.],
       [1., 0., 0., 6., 6., 6.]])

注意：以上代码需要在已经用LabelEncoder转换过的X上调用。如果你在原始X上使用它，它仍然会抛出错误。

3) LabelBinarizer 这与 LabelEncoder 没有什么不同，只是它也会对提供的列进行 one-hot 编码。

from sklearn.preprocessing import LabelBinarizer
labelencoder_X =LabelBinarizer()
new_binarized_val = labelencoder_X.fit_transform(X[:, 0])

Output:
array([[0, 0, 1],
       [0, 1, 0],
       [0, 1, 0],
       [1, 0, 0],
       [1, 0, 0]])

注意：我在您问题的原始 X 上使用的 LabelBinarizer 代码，而不是已经编码的代码。并且输出仅显示第一列的二值化形式。

希望这能让事情变得清楚。

在 Python 中重新编码分类变量

Recoding Catigorical Variables in Python

python

feature-extraction

scikit-learn

categorical-data