python-3.x - 如何有效地为测试数据编码多个分类列？

Question

我有多个类别列（近 50 个）。我使用定制的频率编码并将其用于训练数据。最后我将它保存为嵌套字​​典。对于测试数据，我使用 map 函数进行编码，看不见的标签被替换为 0。但我需要更有效的方法吗？

我已经尝试过 pandas replace 方法，但它不关心看不见的标签，而是保持原样。此外，我非常关心时间，我希望在 60 毫秒内编码 80 列和 1 行。只需要我能做到的最有效的方法。我从这里举了我的例子。

import pandas
from sklearn import preprocessing 

df = pandas.DataFrame({'pets': ['cat', 'dog', 'cat', 'monkey', 'dog', 'meo'], 
                       'owner': ['Champ', 'Ron', 'Brick', 'Champ', 'Veronica', 'Ron'], 
                       'location': ['San_Diego', 'New_York', 'New_York', 'San_Diego', 'San_Diego', 
             'New_York']})

我的字典看起来像这样：

enc = {'pets': {'cat': 0, 'dog': 1, 'monkey': 2},
       'owner': {'Brick': 0, 'Champ': 1, 'Ron': 2, 'Veronica': 3},
       'location': {'New_York': 0, 'San_Diego': 1}}

for col in enc:
    if col in input_df.columns:
        input_df[col]= input_df[col].map(dict_online['encoding'][col]).fillna(0)

此外，我希望一次编码多个列。我不希望每一列都有任何循环......我想我们不能在地图中做到这一点。因此，替换是不错的选择，但正如所说，它不关心看不见的标签。

编辑：

这是我现在使用的代码，请注意测试数据框中只有 1 行（不太确定我应该像 numpy 数组一样处理它以减少时间......）。但我需要将此时间减少到 60 毫秒以下：此外，我有仅用于映射的字典（由于用例，不能使用一个热点）。当前时间 = 331.74 毫秒。任何想法如何更有效地做到这一点。不确定多处理是否有效..？进一步使用替换方法，我遇到了许多问题，例如： 1. 它不处理看不见的标签并保持原样（对于字符串它的问题）。2. 键值重叠问题。

from string import ascii_lowercase
import itertools
import pandas as pd
import numpy as np
import time

def iter_all_strings():
    for size in itertools.count(1):
       for s in itertools.product(ascii_lowercase, repeat=size):
           yield "".join(s)


l = []
for s in iter_all_strings():
    l.append(s)
    if s == 'gr':
        break

columns = l
df = pd.DataFrame(columns=columns)
for col in df.columns:
    df[col] = np.random.randint(1, 4000, 3000)

transform_dict = {}
for col in df.columns:
    cats = pd.Categorical(df[col]).categories
    d = {}
    for i, cat in enumerate(cats):
        d[cat] = i
    transform_dict[col] = d
print(f"The length of the dictionary is {len(transform_dict)}")


# Creating another test data frame
df2 = pd.DataFrame(columns=columns)
for col in df2.columns:
    df2[col] = np.random.randint(1, 4000, 1)
print(f"The shape of teh 2nd data frame is {df2.shape}")

t1 = time.time()

for col in df2.columns:
    df2[col] = df2[col].map(transform_dict[col]).fillna(0)
print(f"Time taken is {time.time() - t1}")
# print(df)

标签： python-3.xpandasencodingscikit-learn

Answer 1

首先，当您要编码非序数的分类变量时（意思是：变量/列的值之间没有内在的顺序。例如cat，dog），您必须使用一种热编码。

import pandas as pd
from sklearn.preprocessing import OneHotEncoder 

df = pd.DataFrame({'pets': ['cat', 'dog', 'cat', 'monkey', 'dog', 'meo'], 
                   'owner': ['Champ', 'Ron', 'Brick', 'Champ', 'Veronica', 'Ron'], 
                   'location': ['San_Diego', 'New_York', 'New_York', 'San_Diego', 'San_Diego', 
             'New_York']})

enc = [['cat','dog','monkey'],
       ['Brick', 'Champ', 'Ron', 'Veronica'],
       ['New_York', 'San_Diego']]
ohe = OneHotEncoder(categories=enc, handle_unknown='ignore', sparse=False)

在这里，我enc以一种可以输入到OneHotEncoder.

现在是我们如何处理看不见的标签的问题了？

当你handle_unknownas时False，看不见的值在所有虚拟变量中都将为零，这在某种程度上有助于模型理解它的未知值。

colnames= ['{}_{}'.format(col,val) for col,unique_values in zip(df.columns,ohe.categories_) \
                                       for val in unique_values]
pd.DataFrame(ohe.fit_transform(df), columns=colnames) 

更新：

如果您对序数内切没问题，以下更改可能会有所帮助。

df2.apply(lambda row: [transform_dict[val].get(col,0) \
                                    for val,col in row.items()], 
          axis=1,
          result_type='expand')

#1000 loops, best of 3: 1.17 ms per loop