python – Panda的get_dummies与Sklearn的OneHotEncoder()::有什么优缺点？

我正在学习不同的方法来将分类变量转换为机器学习分类器的数字.我遇到了pd.get_dummies方法和sklearn.preprocessing.OneHotEncoder(),我想看看它们在性能和使用方面有何不同.

我找到了一个关于如何在https://xgdgsc.wordpress.com/2015/03/20/note-on-using-onehotencoder-in-scikit-learn-to-work-on-categorical-features/上使用OneHotEnocder()的教程,因为sklearn文档对此功能没有太大帮助.我有一种感觉,我没有正确地做到这一点……但是

有人可以解释在sklearn.preprocessing.OneHotEncoder()上使用pd.dummies的优缺点,反之亦然吗？我知道OneHotEncoder()为你提供了一个稀疏矩阵,但除此之外,我不确定它是如何使用的,以及它对pandas方法的好处.我用它效率不高吗？

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
sns.set()

%matplotlib inline

#Iris Plot
iris = load_iris()
n_samples, m_features = iris.data.shape

#Load Data
X, y = iris.data, iris.target
D_target_dummy = dict(zip(np.arange(iris.target_names.shape[0]), iris.target_names))

DF_data = pd.DataFrame(X,columns=iris.feature_names)
DF_data["target"] = pd.Series(y).map(D_target_dummy)
#sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)  \
#0                  5.1               3.5                1.4               0.2   
#1                  4.9               3.0                1.4               0.2   
#2                  4.7               3.2                1.3               0.2   
#3                  4.6               3.1                1.5               0.2   
#4                  5.0               3.6                1.4               0.2   
#5                  5.4               3.9                1.7               0.4   

DF_dummies = pd.get_dummies(DF_data["target"])
#setosa  versicolor  virginica
#0         1           0          0
#1         1           0          0
#2         1           0          0
#3         1           0          0
#4         1           0          0
#5         1           0          0

from sklearn.preprocessing import OneHotEncoder, LabelEncoder
def f1(DF_data):
    Enc_ohe, Enc_label = OneHotEncoder(), LabelEncoder()
    DF_data["Dummies"] = Enc_label.fit_transform(DF_data["target"])
    DF_dummies2 = pd.DataFrame(Enc_ohe.fit_transform(DF_data[["Dummies"]]).todense(), columns = Enc_label.classes_)
    return(DF_dummies2)

%timeit pd.get_dummies(DF_data["target"])
#1000 loops, best of 3: 777 µs per loop

%timeit f1(DF_data)
#100 loops, best of 3: 2.91 ms per loop

解决方法:

OneHotEncoder不能直接处理字符串值.如果您的名义特征是字符串,那么您需要首先将它们映射为整数.

pandas.get_dummies有点相反.默认情况下,除非指定了列,否则它仅将字符串列转换为单热表示.

标签：dummy-variable,python,pandas,scikit-learn,machine-learning
来源： https://codeday.me/bug/20191003/1849910.html