import pandas as pd
df = pd.DataFrame([
['green', 'M', 10.1, 'class1'],
['red', 'L', 13.5, 'class2'],
['blue', 'XL', 15.3, 'class1']])
#numpy添加列表名稱 (記下這種手法:先通過pd.DataFrame()添加數據,再用columns()補充列名)
df.columns = ['color', 'size', 'prize', 'class label']
df
先用比較簡單的映射字典法來對離散屬性進行處理
'''
把標籤轉換成數值型 這樣的連續化將沒有順序關係的類別變成具有順序關係0,1,2等,
同時也導致了不同類別之間的距離不相等,簡單的用L1範式,0-1距離爲1,0-2距離爲2
'''
class_mapping = {label:idx for idx,label in enumerate(set(df['class label']))}
'''
df['class label']
輸出:
0 class1
1 class2
2 class1
Name: class label, dtype: object
set(df['class label'])
輸出:
{'class1', 'class2'}
是把df['class label']裏面的數據裝到一個集合裏面,並且自動去除重複項
for idx,label in enumerate(set(df['class label'])):
print(idx,label)
輸出:
0 class1
1 class2
enumerate()作用是把遍歷集合參數,返回序號和集合的數據項
class_mapping是鍵值對{label:idx}
class_mapping
輸出:
{'class1': 0, 'class2': 1}
'''
df['class label'] = df['class label'].map(class_mapping)
'''
map(class_mapping)利用class_mapping鍵值對的數值去替換原本的離散屬性
'''
df
#同上,應用映射字典的方法 將離散型屬性轉化成數值型屬性
size_mapping = {'XL': 3,'L': 2,'M': 1}
color_mapping = {'green': (0,0,1),'red': (0,1,0),'blue': (1,0,0)}
df['size'] = df['size'].map(size_mapping)
df['color'] = df['color'].map(color_mapping)
df
#映射字典 還原數據的方法
#color_mapping.items() 返回的是鍵值對 比如 green,(0,0,1),其他的同理
inv_color_mapping = {v: k for k, v in color_mapping.items()}
inv_size_mapping = {v: k for k, v in size_mapping.items()}
inv_class_mapping = {v: k for k, v in class_mapping.items()}
#實際上就是 map的重複利用 鍵值對反過來而已
df['color'] = df['color'].map(inv_color_mapping)
df['size'] = df['size'].map(inv_size_mapping)
df['class label'] = df['class label'].map(inv_class_mapping)
df
接下來利用sklearn對數據進行預處理
from sklearn.preprocessing import LabelEncoder
class_le = LabelEncoder()
#把傳進去的屬性轉換成數字型屬性,不是獨熱編碼
df['class label'] = class_le.fit_transform(df['class label'])
df
反變換回去可以用這個函數 inverse_transform
:
class_le.inverse_transform(df['class label'])
#輸出:array(['class1', 'class2', 'class1'], dtype=object)
用scikit DictVectorizer一次性全部變換
使用 DictVectorizer
將得到特徵的字典
df.transpose().to_dict().values()#得到屬性的字典
'''
輸出:
dict_values([{'color': 'green', 'size': 'M', 'class label': 0, 'prize': 10.1}, {'color': 'red', 'size': 'L', 'class label': 1, 'prize': 13.5}, {'color': 'blue', 'size': 'XL', 'class label': 0, 'prize': 15.3}])
'''
#獲取除了class_label屬性以爲的其他屬性
feature = df.iloc[:, :-1]
from sklearn.feature_extraction import DictVectorizer
dvec = DictVectorizer(sparse=False)
X = dvec.fit_transform(feature.transpose().to_dict().values())
X
'''
輸出:
array([[ 0. , 1. , 0. , 10.1, 0. , 1. , 0. ],
[ 0. , 0. , 1. , 13.5, 1. , 0. , 0. ],
[ 1. , 0. , 0. , 15.3, 0. , 0. , 1. ]])
'''
#可以調用 get_feature_names 來返回新的列的名字,其中0和1就代表是不是這個屬性.
pd.DataFrame(X, columns=dvec.get_feature_names())
接下來是將離散類型轉化成獨熱編碼
#OneHotEncoder 必須使用整數作爲輸入,所以得先預處理一下
#先通過LabelEncoder()轉化成正常的數值型屬性
color_le = LabelEncoder()
df['color'] = color_le.fit_transform(df['color'])
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder(sparse=False)
X = ohe.fit_transform(df['color'].values)
X
'''
輸出:
array([[ 0., 1., 0.],
[ 0., 0., 1.],
[ 1., 0., 0.]])
這裏有一個問題 雖然生成獨熱編碼 但是如何把這個編碼 放到原本的數據裏面???
'''
#另外 這裏是先把文字屬性轉成數字屬性,數字屬性轉成獨熱編碼,通過LabelBinarizer可以實現一次性轉化
from sklearn.preprocessing import LabelBinarizer
encoder = LabelBinarizer()
housing_cat_1hot=encoder.fit_transform(df['color'])
housing_cat_1hot
'''
輸出:
array([[ 0., 1., 0.],
[ 0., 0., 1.],
[ 1., 0., 0.]])
'''
利用pandas實現轉化,不過這種算是獨熱編碼嘛?
import pandas as pd
df = pd.DataFrame([
['green', 'M', 10.1, 'class1'],
['red', 'L', 13.5, 'class2'],
['blue', 'XL', 15.3, 'class1']])
df.columns = ['color', 'size', 'prize', 'class label']
#Pandas庫中同樣有類似的操作,使用get_dummies也可以得到相應的特徵
pd.get_dummies(df)
總結:數據預處理中的離散型數值的處理,主要有兩種,一種是普通數值轉換(實現方法有:1.手動之多映射字典,將其轉化成數值型;2.利用sklearn 的LabelEncoder()),另一種是獨熱編碼(實現方法有:sklean 的OneHotEncoder()和LabelBinarizer())
至於DictVectorizer()和pandas的get_dummies()方法,這種轉化方法算是獨熱嘛??