『Kaggle』分类任务_决策树&集成模型&DataFrame向量化操作
|
1
2
3
4
5
6
7
8
9
|
'''特征提取器'''
from
sklearn.feature_extraction
import
DictVectorizer
vec
=
DictVectorizer(sparse
=
False
)
print
(X_train.to_dict(orient
=
'record'
))
X_train
=
vec.fit_transform(X_train.to_dict(orient
=
'record'
))
print
(X_train)
print
(vec.feature_names_)
X_test
=
vec.transform(X_test.to_dict(orient
=
'record'
))
|
涉及两个操作，
- DataFrame字典化
- 字典向量化
1.DataFrame字典化
|
1
2
3
4
5
6
7
8
9
10
|
import
numpy as np
import
pandas as pd
index
=
[
'x'
,
'y'
]
columns
=
[
'a'
,
'b'
,
'c'
]
dtype
=
[(
'a'
,
'int32'
), (
'b'
,
'float32'
), (
'c'
,
'float32'
)]
values
=
np.zeros(
2
, dtype
=
dtype)
df
=
pd.DataFrame(values, index
=
index)
df.to_dict(orient
=
'record'
)
|
2.字典向量化
DictVectorizer： 将dict类型的list数据，转换成numpy array，具有属性vec.feature_names_，查看提取后的特征名。
具体效果如下，
>>> from sklearn.feature_extraction import DictVectorizer >>> v = DictVectorizer(sparse=False) >>> D = [{'foo': 1, 'bar': 2}, {'foo': 3, 'baz': 1}] >>> X = v.fit_transform(D) >>> X array([[ 2., 0., 1.], [ 0., 1., 3.]]) >>> v.transform({'foo': 4, 'unseen_feature': 3}) array([[ 0., 0., 4.]])
数字的特征不变，没有该特征的项给赋0，对于未参与训练的特征不予考虑。
对应到本程序，
print(X_train.to_dict(orient='record'))：
[{'sex': 'male', 'pclass': '3rd', 'age': 31.19418104265403},
...... ....... ....... ......
{'sex': 'female', 'pclass': '1st', 'age': 31.19418104265403}]
提取特征，
X_train = vec.fit_transform(X_train.to_dict(orient='record'))
print(X_train)：[[ 31.19418104 0. 0. 1. 0. 1. ]
[ 31.19418104 1. 0. 0. 1. 0. ]
[ 31.19418104 0. 0. 1. 0. 1. ]
...,
[ 12. 0. 1. 0. 1. 0. ]
[ 18. 0. 1. 0. 0. 1. ]
[ 31.19418104 0. 0. 1. 1. 0. ]]
数字的年龄没有改变，其他obj特征变成了onehot编码的特征，各列意义可以查看的，
print(vec.feature_names_)：
['age', 'pclass=1st', 'pclass=2nd', 'pclass=3rd', 'sex=female', 'sex=male']
一个直观例子：
v = DictVectorizer(sparse=False)
v.fit_transform([{'a':1},{'a':2},{'a':3}])
Out[7]:
array([[ 1.],
[ 2.],
[ 3.]])
v.feature_names_
Out[8]:
['a']
v.fit_transform([{'a':'1'},{'a':'2'},{'a':'3'}])
Out[9]:
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
v.feature_names_
Out[10]:
['a=1', 'a=2', 'a=3']
注意，v.feature_names_输出顺序和v.fit_transform()生成顺序是一一对应的，
v.fit_transform([{'a':'2q'},{'a':'1v'},{'a':'3t'},{'a':'3t'}])
Out[17]:
array([[ 0., 1., 0.],
[ 1., 0., 0.],
[ 0., 0., 1.],
[ 0., 0., 1.]])
v.feature_names_
Out[18]:
['a=1v', 'a=2q', 'a=3t']然后，
np.argmax(np.array([[ 0., 1., 0.],
[ 1., 0., 0.],
[ 0., 0., 1.],
[ 0., 0., 1.]]),axis=1)
Out[19]:
array([1, 0, 2, 2])
进一步的，也就是说v.feature_names_输出顺序对应于v.fit_transform()的非onehot排序。