为 ML 保存和加载一个热编码

Question

我已经找了两天了，似乎无法掌握解决方案。对于机器学习回归模型，我需要对某些列进行热编码。训练数据和模型拟合正在我的本地 PC 上进行。之后模型将上传到服务器进行预测。

问题是新数据不是初始编码的一部分，因此我需要以与在我的 PC 上学习数据相同的方式对其进行热编码。我发现我可以保存编码器 (sklearn.preprocessing -> OneHotEncoder)。但是我无法设法将数据转换为正确的格式。

为了让这里更容易理解，我刚刚用一些非常简单的虚拟数据创建了一个笔记本。

# Import pandas library 
import pandas as pd 
# initialize list of lists 
data = [['tom', 10], ['nick', 15], ['juli', 14]] 
# Create the pandas DataFrame 
df = pd.DataFrame(data, columns = ['Name', 'Age']) 
# print dataframe.
df

输出：

姓名年龄

汤姆 10

尼克 15

7 月 14 日

# hot encoding
hot_Name = pd.get_dummies(df.Name)
X = pd.concat((df[['Age']], hot_Name), axis=1)
X

输出：

朱莉尼克汤姆年龄

10 0 0 1

15 0 1 0

14 1 0 0

# outside data
# initialize list of lists 
data_new = [['michael', 20], ['juli', 45]] 
# Create the pandas DataFrame 
df_new = pd.DataFrame(data_new, columns = ['Name', 'Age']) 
# print dataframe. 
df_new

输出：

姓名年龄

迈克尔 20

七里45

是否可以使用与 "data" 相同的方式对 "data_new" 进行编码并保存编码器供以后用于实时传入数据？

预期在 df_new 的模型中使用热编码：

朱莉尼克汤姆年龄

20 0 0 0

45 1 0 0

Answer 1

据我所知，pandas 没有公开使用 get_dummies 进行序列化编码的方法。我会直接使用 OneHotEncoder 对变量进行编码，然后使用 joblib 对其进行序列化。

import joblib
import pandas as pd 
from sklearn.preprocessing import OneHotEncoder

col_names = ['name', 'age']
data = [['tom', 10], ['nick', 15], ['juli', 14]] 

enc = OneHotEncoder(handle_unknown='error')
enc.fit(data)
joblib.dump(enc, 'encoder.joblib')

然后在服务器上：

enc = joblib.load('encoder.joblib')
data_df = pd.DataFrame(data=data, columns=col_names)
enc_df = pd.DataFrame(data=enc.transform(data).toarray(), columns=enc.get_feature_names(col_names), dtype=bool)
df = pd.concat([data_df, enc_df], axis=1)

df 的输出：

|   | name | age | name_juli | name_nick | name_tom | age_10 | age_14 | age_15 |
|---|------|-----|-----------|-----------|----------|--------|--------|--------|
| 0 | tom  | 10  | False     | False     | True     | True   | False  | False  |
| 1 | nick | 15  | False     | True      | False    | False  | False  | True   |
| 2 | juli | 14  | True      | False     | False    | False  | True   | False  |

Answer 2

在 Lukasz Tracewski 的帮助下：由于 categorical_features 不再起作用。数据帧必须分成两个 df，一个包含用于编码的数据，另一个用于不编码并在之后连接。

import joblib
import pandas as pd 
from sklearn.preprocessing import OneHotEncoder

col_names_encode = ['Name']

# learning data
data = [['tom', 10], ['nick', 15], ['juli', 14]] 
df = pd.DataFrame(data, columns = ['Name', 'Age']) 

# data from data lake
data_new = [['michael', 20], ['juli', 45]] 
df_new = pd.DataFrame(data_new, columns = ['Name', 'Age']) 

# get only data for encoding
df_encode = df.drop(columns=["Age"])

# one hot encoding
enc = OneHotEncoder(handle_unknown='ignore')
enc.fit(df_encode)
df_encode = pd.DataFrame(data=enc.transform(df_encode).toarray(), columns=enc.get_feature_names(col_names_encode), dtype=bool)
# trasfer true and false to 1 and 0
df_encode = df_encode * 1

# concatenate data
df = pd.concat((df[['Age']], df_encode), axis=1)

#use the encoder to encode new incoming data
df_new_encode = df_new.drop(columns=["Age"])

df_new_encode = pd.DataFrame(data=enc.transform(df_new_encode).toarray(), columns=enc.get_feature_names(col_names_encode), dtype=bool)
df_new = pd.concat((df_new[['Age']], df_new_encode), axis=1)
df_new = df_new * 1

df_new.head()

为 ML 保存和加载一个热编码

save and load one hot encoding for ML

python

machine-learning

one-hot-encoding