Python sklearn库编码格式

时间:2022-09-29 LoveAndProgram 人气:0

OneHotEncoder独热编码实例

class sklearn.preprocessing.OneHotEncoder(*, categories='auto', drop=None, sparse=True, dtype=<class 'numpy.float64'>, handle_unknown='error')

目的：将分类要素编码为one-hot数字数组
输入：为整数或字符串之类的数组，表示分类（离散）特征所采用的值。
这将为每个类别创建一个二进制列，并返回一个稀疏矩阵或密集数组（取决于稀疏参数）默认情况下，编码器会根据每个功能中的唯一值得出类别（可改为手动）
适用于GBDT、XGBoost、Lgb模型中效果都不错注意：在最新版本的sklearn中，所有的数据都应该是二维矩阵，所以当它只是单独一行或一列需要进行reshape(1, -1)数据转换，否则会报错ValueError: Expected 2D array, got 1D array instead

以下面数据为例（数据源）：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd
train = pd.read_csv('./train.csv')
enc = OneHotEncoder(handle_unknown='ignore')
numerical_feature = ['policy_annual_premium','insured_education_level','capital-gains','incident_type','incident_severity',\
                   'property_damage','bodily_injuries','police_report_available','total_claim_amount','injury_claim','property_claim','vehicle_claim']
data = train[numerical_feature]
c = enc.fit_transform(data.values.reshape(1,-1))
c.toarray()#查看转化后的数据

输入数据由处理后的这种格式：

经过编码后得出编码后的数据（数据量过大用元组的形式展现），全部由二进制数0、1表示：

注意：在一对多的情况下y标签需要使用 sklearn.preprocessing.LabelBinarizer() 函数将多类标签转换为二进制标签

LabelEncoder标签编码实例

目的：对目标标签进行编码，其值介于0和n_classes-1之间
输入可以是数字标签，也可以是非数字标签，这里需要注意的是返回的类型是NumPy的array形式，上述OneHotEncoder ()返回的是系数矩阵形式。

from sklearn.preprocessing import LabelEncoder
Enc=LabelEncoder()
def yuchuli(data):
    numerical_feature = ['policy_annual_premium','insured_education_level','capital-gains','incident_type','incident_severity',\
                       'property_damage','bodily_injuries','police_report_available','total_claim_amount','injury_claim','property_claim','vehicle_claim','auto_year']
data=pd.DataFrame()
for fea in numerical_feature:
    data.insert(len(data.columns),fea,Enc.fit_transform(train[fea].values))
    return data
train_data = yuchuli(train)

经过编码后得出编码后的数据：

其中最清晰的就是标黑的property_damage一列，使用One-hot编码转换后变成？属于0，Yes属于2，No属于1。

LabelEncoder()只有一个class_属性，是查看每个类别的标签，在上述基础上尝试即最后一个特征所对应的属性标签，通俗来讲就是这里面需要被编码的个数就是这些数：

果然不出所料，因为这是循环，所以对应的最后一个是auto_year,原数据如下图：

注意：开头提到的编码值介于 0 和 n_classes-1 之间于下图可以清晰理解，里面有n种不同的值，就分成 n-1 类，因为还包括 0

不过 LabelEncoder 标签编码我想对用的比较少，一般我都是使用 One-hot 独热编码去处理离散特征。

OrdinalEncoder特征编码实例

目的：将分类特征编码为整数数组。
输入：是一个类似数组的整数或字符串，表示分类（离散）特征所采用的值，特征会被转换为序数整数

from sklearn.preprocessing import OrdinalEncoder
import pandas as pd
import numpy as np
train = pd.read_csv('./train.csv')
test = pd.read_csv('./test.csv')
train.drop_duplicates()
Enc=LabelEncoder()
Enc=OneHotEncoder()
def yuchuli(data_train):
    numerical_feature = ['incident_severity', 'insured_hobbies', 'vehicle_claim', 'auto_model', 'insured_education_level', 'insured_zip', 'insured_relationship', 'incident_date','auto_year']
    data = pd.DataFrame()
    for fea in numerical_feature:
        data.insert(len(data.columns), fea, (Enc.fit_transform(train[fea].values.reshape(-1, 1))).tolist())
#     return data
train_data = yuchuli(train)

但是我通过输出每一个特征结果的时候发现他和LabelEncoder()编码出的数据大差不离，特征编码则通过categories_查看编码特征

总而言之就是结果数据是一样的，但是类型上是不同的，我通过本文了解到它们本质的区别：

OrdinalEncoder 用于形状为 2D 的数据 (n_samples, n_features)
LabelEncoder用于形状为 1D 的数据(n_samples,)

至于为什么，我们从上面两者的代码中就可以发现，OrdinalEncoder 编码出的数据要想fit_transform拟合，就得使用.reshape(-1, 1)转换成二维数据，这一块和OneHotEncoder编码相同，而LabelEncoder则直接放入即可拟合出数据来，这里也是使用过程中最容易出现的问题。

OrdinalEncoder编码还是有两点需要注意的，第一点，他可以接受np.nan缺失值，可根据需求选择是否处理缺失值；第二点，他有这么一个参数->handle_unknown=error(默认) ,通过判断是否存在未知的特征来选择是否继续进行程序，当我们们选择handle_unknown=use_encoded_value时会将存在的未知特征打上unknown_value标签

#将缺失值全部处理为-1
Enc.set_params(encoded_missing_value=-1,handle_unknown=use_encoded_value).fit_transform()

加载全部内容