我正在尝试使用sci-kit learn 0.17进行多标签分类，我的数据看起来像这样

训练数据

Col1                  Col2asd dfgfg             [1,2,3]poioi oiopiop         [4]

测试数据

Col1                    asdas gwergwger    rgrgh hrhrh

到目前为止我的代码是

import numpy as npfrom sklearn import svm, datasetsfrom sklearn.metrics import precision_recall_curvefrom sklearn.metrics import average_precision_scorefrom sklearn.cross_validation import train_test_splitfrom sklearn.preprocessing import label_binarizefrom sklearn.multiclass import OneVsRestClassifierdef getLabels():    traindf = pickle.load(open("train.pkl","rb"))    X = traindf['Col1']    y = traindf['Col2']    # 将输出二值化    from sklearn.preprocessing import MultiLabelBinarizer      y=MultiLabelBinarizer().fit_transform(y)          random_state = np.random.RandomState(0)    # 分割成训练和测试数据    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5,                                                        random_state=random_state)    # 运行分类器    from sklearn import svm, datasets    classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True,                                     random_state=random_state))    y_score = classifier.fit(X_train, y_train).decision_function(X_test)

但现在我得到了

ValueError: could not convert string to float: <value of Col1 here>

在

y_score = classifier.fit(X_train, y_train).decision_function(X_test) 

我是否也需要对X进行二值化处理？为什么我需要将X维度转换为浮点数？

回答：

是的，你必须将X也转换为数值表示（不一定是二进制的），就像y一样。这是因为所有机器学习方法都是在数字矩阵上操作的。

具体如何做呢？如果Col1中的每个样本可以包含不同的单词（即它代表一些文本），你可以使用CountVectorizer来转换该列

from sklearn.feature_extraction.text import CountVectorizercol1 = ["cherry banana", "apple appricote", "cherry apple", "banana apple appricote cherry apple"]cv = CountVectorizer()cv.fit_transform(col1) #<4x4 sparse matrix of type '<class 'numpy.int64'>'#   with 10 stored elements in Compressed Sparse Row format>cv.fit_transform(col1).toarray()#array([[0, 0, 1, 1],#       [1, 1, 0, 0],#       [1, 0, 0, 1],#       [2, 1, 1, 1]], dtype=int64)