python - 具有不同数量的特征实例的多特征 One-Hot-Encoder
问题描述
假设我们有这样的数据实例:
[
[15, 20, ("banana","apple","cucumber"), ...],
[91, 12, ("orange","banana"), ...],
...
]
我想知道如何编码这些数据点的第三个元素。对于多个特征值,我们可以使用 sklearn 的OneHotEncoder,但据我所知,它无法处理不同长度的输入。
这是我尝试过的:
X = [[15, 20, ("banana","apple","cucumber")], [91, 12, ("orange","banana")]]
ct = ColumnTransformer(
[
("genre_encoder", OneHotEncoder(), [2])
],
remainder='passthrough'
)
print(ct.fit_transform(X))
这只会输出
[[1.0 0.0 15 20]
[0.0 1.0 91 12]]
正如预期的那样,因为元组被处理为可以表示此功能的可能值。
我们不能直接嵌入我们的特征(比如[15, 12, "banana", "apple", "cucumber"]
),因为
- 我们不知道我们将拥有多少个此功能的实例(两个?三个?)
- 每个位置都将被解释为一个自己的特征,因此如果我们
banana
在一个数据点的第一个标称槽中,在第二个标称槽中的第二个,它们将不计入一个特征可以体现的相同“值池”
例子:
X = [["banana","apple","cucumber"], ["orange","banana", "cucumber"]]
enc = OneHotEncoder()
print(enc.fit_transform(X).toarray())
[[1. 0. 1. 0. 1.]
[0. 1. 0. 1. 1.]]
此表示包含 5 个插槽而不是 4 个,因为第一个插槽被解释为使用banana
or orange
,第二个插槽被解释为apple
orbanana
并且最后一个只有选项cucumber
。
(这也不能解决每个数据点具有不同数量的特征值的问题。并且用替换空的None
也不能解决问题,因为这样会None
面临这种位置模糊。)
知道如何编码那些可以采用多个值并由不同数量的元素组成的“Multi-Muliti”特征吗?先感谢您!
解决方案
我现在通过将其转换为 CountVectorizer 问题来解决它,这要感谢 David Maspis在 datascience stackexchange 上的回答。
推荐阅读
- node.js - API 接收未定义数据
- reactjs - 反应:我总是在我的后端发送以前的状态,即使是“previousState”
- bash - Bash:在 ls -A 之前验证空文件夹
- python - 通过 Python office365 API 下载 Sharepoint Docx 文件
- acumatica - Acumatica 中的其他 GS1 代码支持
- asp.net - 删除 Div 之间的垂直间距 - ASP.NET & Bootstrap
- pandas - 在情节中在一个普通条旁边创建一个堆叠条?
- html - 我们可以将数据从 mongoDB 发送到 HTML 吗?
- javascript - 使用 sessionStorage 更新复选框 ID
- python - 范围内列表的所有可能组合