sklearn.preprocessing.OneHotEncoder: 使用drop和handle_unknown=’ignore’的用法

我有一些pandas.Series数据 – 下面称为s,我想对其进行独热编码。通过研究,我发现'b'级别对于我的预测建模任务并不重要。我可以像这样将其排除在我的分析之外:

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
s = pd.Series(['a', 'b', 'c']).values.reshape(-1, 1)
enc = OneHotEncoder(drop=['b'], sparse=False, handle_unknown='error')
enc.fit_transform(s)
# array([[1., 0.],
#        [0., 0.],
#        [0., 1.]])
enc.get_feature_names()
# array(['x0_a', 'x0_c'], dtype=object)

但是当我尝试转换一个新的系列,其中包含'b'和一个新的级别'd'时,我会得到一个错误:

new_s = pd.Series(['a', 'b', 'c', 'd']).values.reshape(-1, 1)
enc.transform(new_s)

Traceback (most recent call last):
File “”, line 1, in
File “/Users/user/Documents/assets/envs/data-science/venv/lib/python3.7/site-packages/sklearn/preprocessing/_encoders.py”, line 390, in transform
X_int, X_mask = self._transform(X, handle_unknown=self.handle_unknown)
File “/Users/user/Documents/assets/envs/data-science/venv/lib/python3.7/site-packages/sklearn/preprocessing/_encoders.py”, line 124, in _transform
raise ValueError(msg)
ValueError: Found unknown categories [‘d’] in column 0 during transform

这是可以预期的,因为我之前设置了handle_unknown='error'。然而,我希望在拟合和后续转换步骤中完全忽略除了['a', 'c']之外的所有类别。我尝试了这个方法:

enc = OneHotEncoder(drop=['b'], sparse=False, handle_unknown='ignore')
enc.fit_transform(s)
enc.transform(new_s)

Traceback (most recent call last):
File “”, line 1, in
File “/Users/user/Documents/assets/envs/data-science/venv/lib/python3.7/site-packages/sklearn/preprocessing/_encoders.py”, line 371, in fit_transform
self._validate_keywords()
File “/Users/user/Documents/assets/envs/data-science/venv/lib/python3.7/site-packages/sklearn/preprocessing/_encoders.py”, line 289, in _validate_keywords
handle_unknown must be ‘error’ when the drop parameter is ”
ValueError: handle_unknown must be ‘error’ when the drop parameter is specified, as both would create categories that are all zero.

看起来这种模式在scikit-learn中不被支持。有人知道如何用scikit-learn兼容的方式来完成这个任务吗?


回答:

你也可以尝试以下方法:

class IgnorantOneHotEncoder(OneHotEncoder):
    def transform(self, X, y=None):
        try:
            return super().transform(X)
        except ValueError as e:
            if 'Found unknown categories' in str(e):
                X = np.copy(X)
                # 跟踪未知类别的索引
                unknown_categories_mask = ~np.isin(X, self.categories_[0]).ravel()
                # 用第一个已知类别覆盖输入矩阵X中的未知类别
                X[unknown_categories_mask] = self.categories_[0][0]
                # 现在所有类别都是已知的,转换X
                X = super().transform(X)
                # 将原始未知类别的记录覆盖为0,表示该特征没有任何类别的值
                X[unknown_categories_mask, 0] = 0
                return X
            else:
                raise

试试看:

>>> ienc = IgnorantOneHotEncoder(sparse=False)
>>> ienc.fit(s)
IgnorantOneHotEncoder(sparse=False)
>>> ienc.transform(s)
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
>>> ienc.transform(new_s)
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.],
       [0., 0., 0.]])

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注