我应该如何转换 scikit-learn 管道中的多个 key/value 列？

Question

我想构建一个 sklearn 管道来转换包含多个 key/value 对的数据：

import pandas as pd
D = pd.DataFrame([ ['a', 1, 'b', 2], ['b', 2, 'c', 3]], columns = ['k1', 'v1', 'k2', 'v2'])
print(D)

输出：

  k1  v1 k2  v2
0  a   1  b   2
1  b   2  c   3

DictVectorizer 似乎是合适的，但我正在努力将每行中存在的多个 key/value 列转换为适合处理的字典。

DictVectorizer 似乎可以这样输入：

row1 = {'a':1, 'b':2}
row2 = {'b':2, 'c':3}
data = [row1, row2]
# This is the output structure that I need:
print(data)

产量：

[{'a': 1, 'b': 2}, {'c': 3, 'b': 2}]

然后会变成这样的数组：

DictVectorizer( sparse=False ).fit_transform(data)

最终输出：

array([[ 1.,  2.,  0.],
       [ 0.,  2.,  3.]])

如上所示，什么是合适的自定义转换器来转换多个 key/value 对？

Answer 1

基于 Mike 的回答（绝对比我原来的回答更优雅），您可以使用相同的列对逻辑，而不必使用以下内容指定每一对：

[dict((row[i-1],row[i]) for i in np.arange(1,len(D.columns),2)) for index, row in D.iterrows() ]

这会产生以下结果：

[{'a': 1, 'b': 2}, {'c': 3, 'b': 2}]

注意：这假设这些对的组织方式与您的示例（k1、v1、k2、v2 等）相同，并且列数为偶数。

Answer 2

我不知道特殊的转换器，但你可以使用简单的列表理解：

>>> data = [{row['k1']:row['v1'], row['k2']:row['v2']} for index, row in D.iterrows()]
>>> data
[{'a': 1, 'b': 2}, {'c': 3, 'b': 2}]

从这里你可以使用像这样的字典向量化器：

>>> v = sklearn.feature_extraction.DictVectorizer(sparse=False)
>>> X = v.fit_transform(data)
>>> print X
[[ 1.  2.  0.]
 [ 0.  2.  3.]]

How should I transform multiple key/value columns in a scikit-learn pipeline?