Press "Enter" to skip to content

Python实例展示sklearn库中三种常用的编码格式

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

“我报名参加金石计划1期挑战——瓜分10万奖池,这是我的第2篇文章,点击查看活动详情”

 

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,我通过这一网页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,)

至于为什幺,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 这幺一个参数->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()

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。