快捷導(dǎo)航

利用pandas將非數(shù)值數(shù)據(jù)轉(zhuǎn)換成數(shù)值的方式

更新時(shí)間：2019年12月18日 15:39:20 作者：可以調(diào)素琴

今天小編就為大家分享一篇利用pandas將非數(shù)值數(shù)據(jù)轉(zhuǎn)換成數(shù)值的方式，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

handle non numerical data

舉個(gè)例子，將性別屬性男女轉(zhuǎn)換成0-1，精通ML的小老弟們可以略過(guò)本文~~，

這里不考慮稀疏向量的使用，僅提供一些思路。本來(lái)想直接利用pandas的DataFrame.iloc加上for循環(huán)直接轉(zhuǎn)換，但試過(guò)一遍之后，原數(shù)據(jù)并有改變。。。。蛋疼寫(xiě)了一個(gè)比較菜的函數(shù)，如下。

# 非數(shù)值列處理函數(shù)
def handel_non_numerical_data(df,name): #----------------name是需要處理的列名稱(chēng)(str)，暫不考慮列表
 nrows = len(df[name])  #----------------數(shù)據(jù)集的行數(shù)
 old_col = df.columns.tolist() #----------------初始的列名集合
 name_index = old_col.index(name) #---------要處理的列的在數(shù)據(jù)集中的索引值
 name_data = df[name].values.tolist()#-----------將要處理煩人列復(fù)制成一個(gè)列表
 df.drop([name],axis =1,inplace =True) 
 unique_kinds = set(name_data)
 convert_dict = {}; x = 0   #構(gòu)造對(duì)應(yīng)種類(lèi)數(shù)值轉(zhuǎn)化字典
 for i in unique_kinds:
 convert_dict[i] = x
 x += 1
 def convert(val):
 return convert_dict[val] 
 name_data = list(map(convert,name_data))#利用map函數(shù)直接迭代轉(zhuǎn)化
 
 new_col = df.columns.tolist()
 new_col.insert(name_index,name)
 df.reindex(columns = new_col) #----------------重構(gòu)數(shù)據(jù)的列
 df[name] = name_data

跑了一遍沒(méi)有出錯(cuò)，注意這只是baseline…，如果對(duì)數(shù)值有要求的話(huà)，需要自行改動(dòng)

原本是想直接用youtube上sentdex老哥ml35期視頻里的代碼的，但發(fā)現(xiàn)了幾個(gè)較為嚴(yán)重的bug，而且總是運(yùn)行出錯(cuò) ，如下

def handle_non_numerical_data(df):
 columns = df.columns.values
 for column in columns:
 text_digit_vals = {}
 def convert_to_int(val):
  return text_digit_vals[val]
 if df[column].dtype != np.int64 and df[column].dtype != np.float64:
  column_content = df[column].values.tolist()
  unique_elements = set(column_content)
  print(unique_elements)
  x =0
  for unique in unique_elements:
  if unique not in text_digit_vals:
   text_digit_vals[unique] = x
   x+=1
 df[column] = list(map(convert_to_int,df[column]))

可見(jiàn)，非常暴力，注意到他的if條件，有的數(shù)據(jù)集中會(huì)出現(xiàn)字母數(shù)字組合的情況【會(huì)出現(xiàn)dtype=object的情況】，set之后種類(lèi)會(huì)草雞多…，這樣的話(huà)數(shù)值轉(zhuǎn)換也就失去了意義【當(dāng)然，如果你的樣本量是億級(jí)的，幾千幾百個(gè)種類(lèi)無(wú)所謂我也無(wú)fuck說(shuō)，這種情況我認(rèn)為必須使用稀疏向量了】，另外這個(gè)代碼一直報(bào)錯(cuò)，不知道為什么，有興趣的老哥可以復(fù)制跑一下幫我解答一下。。。

---------------------------2019-08-21分割：

https://www.kaggle.com/nroman/recursive-feature-elimination

LabelEncoder方法

from sklearn.preprocessing import LabelEncoder