我对Python和机器学习非常新手。我需要对以下数据（示例数据）进行分类类型的机器学习（例如SVM或KNN）：
dfRaw = pd.DataFrame([[1, 2, 3], [1, 4, 6], [1, 3, 6], [2, 38, 80], [2, 45, 66], [3, 100, 120],[3, 90, 110], [3, 115, 125], [3, 99, 101]], columns=['Sample', 'A1', 'A2']) Sample A1 A20 1 2 31 1 4 62 1 3 63 2 38 804 2 45 665 3 100 1206 3 90 1107 3 115 1258 3 99, 101但我认为我需要创建一个每个’Sample’为一行的数据框，如下所示：
dfFin = pd.DataFrame([[1, 2, 3, 4, 6, 3, 6], [2, 38, 80, 45, 66], [3,100,120,90,110,115,125,99,101]], columns=['Sample', 'A1', 'A2','B1', 'B2', 'C1', 'C2', 'D1', 'D2' ]print (dfFin) Sample A1 A2 B1 B2 C1 C2 D1 D20 1 2 3 4 6 3.0 6.0 NaN NaN1 2 38 80 45 66 NaN NaN NaN NaN2 3 100 120 90 110 115.0 125.0 99.0 101.0问题：
-
我认为需要将每个’Sample’转换为单行，这种想法对吗？
-
如果是的话，我该如何遍历数据框来进行这种转换？
- 请注意，数据集中的每个’Sample’可能具有不同数量的特征，我是否仍然可以对这种不规则形状进行分类？
- 另请注意，A1,A2或B1,B2的每一对都是相关的且重要的
回答：
1.
是的。由于大多数机器学习应用期望输入的形状为(samples, features)，因此你认为需要将每个样本转换为单行是正确的。
2.
一种方法是为每个Sample添加一个新的列来枚举多个“读数”，然后使用pivot将它们转换为行。
# 为每个样本添加枚举，使用 `cumcount` 在分组上
dfRaw['reading'] = dfRaw.groupby('Sample').cumcount()
# 透视
dfFin = dfRaw.pivot(index='Sample', columns='reading')
# 如果需要：将多重索引头部简化为单一索引头部
dfFin.columns = [''.join(str(col)).strip() for col in dfFin.columns.values]
dfFin.reset_index(inplace=True)输出：
('A1', 0L) ('A1', 1L) ('A1', 2L) ('A1', 3L) ('A2', 0L) \Sample 1 2.0 4.0 3.0 NaN 3.0 2 38.0 45.0 NaN NaN 80.0 3 100.0 90.0 115.0 99.0 120.0 ('A2', 1L) ('A2', 2L) ('A2', 3L) Sample 1 6.0 6.0 NaN 2 66.0 NaN NaN 3 110.0 125.0 101.0 在生成的列名中，0L, 1L, ...表示“读数”，A1, A2表示每个“读数”的两个特征。因此，列头映射到你示例输出中使用的0L:A, 1L:B, 2L:C, 3L:D结合A1:1, A2:2。这有点 confusing，但我现在没有时间思考一个简单且通用的自动方式来重命名列以完全匹配你的示例，尤其是因为这在这里并不重要。
3.
我不知道有任何简单的分类器（如SVM等）能够正确处理缺失值。
你将不得不删除所有包含NaN值的行或列。删除列（特征）更为常见，因为删除行（样本）意味着你以后无法使用你的分类器来预测具有NaN值的新样本的标签。
如果删除NaN列在你的情况下会导致大量数据丢失并使问题无法解决，你可能需要开始考虑为你的数据设计一个更复杂的模型，并使用例如Bayesian方法来拟合它。
4.
由于列名仍然标识“读数”（0L, 1L, ...）以及原始列名（A1, A2），关于配对的信息在你以后需要时会被保留。
