我有一个数据集，它实际上是一些项目特征向量的出现矩阵。从理论上讲，这种表示形式有助于将机器学习算法应用于数据集，因为它是标准化的。

a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z,class1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,class10,1,0,0,1,0,0,0,1,0,0,0,0,0,1,0,0,0,1,1,1,0,1,0,0,1,class20,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,1,0,0,1,class21,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,0,0,0,0,1,0,0,1,class3

但是，我似乎无法使用pandas和scikit-learn在Python中提供的算法。我没有看到任何例子。

数据集的格式如下。其中特征vector =[a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p,q,r,s,t,u,v,w,x,y,z]，类变量位于文件末尾，显示类别（例如：’class1’、’class2’、’class3’）。

如何对这种类型的数据集应用决策树算法，如CART和朴素贝叶斯？（我只检查了scikit-learn库）

回答：

您需要为类/因变量使用整数，而不是字符串。

这是一个例子：

In [1]: # 这里我只是简单地映射，如果您有很多类，您可以使用正则表达式或其他方法df['class'] = df['class'].map({'class1':0, 'class2':1, 'class3':2})In [2]: dfOut[2]: a   b   ...     y   z   class0   1   ...     1   1   01   0   ...     0   1   12   0   ...     0   1   1 3   1   ...     0   1   2In [3]: # 将X（独立变量）和y（因变量，类）分开X = df.iloc[:,:-1]y = df['class']In [4]: # 现在您可以进行拟合等操作...from sklearn.naive_bayes import GaussianNBgnb = GaussianNB()result = gnb.fit(X,y)In [5]:y_pred = result.predict(X)y_predOut[5]: array([0, 1, 1, 2], dtype=int64)

我们看到它正确预测了类别（显然考虑到特征数量与样本大小相比（p>n））。