将分类数据从CSV导入scikit学习

我想从CSV文件导入数据以用于scikit学习。它混合了数字数据和分类数据，例如

someValue,color,someOtherValue
1.2,red,55.6
1.9,blue,20.5
3.2,red,16.5

我需要将此表示转换为纯数字表示，其中分类数据点转换为多个二进制列，例如

someValue,colorIsRed,colorIsBlue,someOtherValue
1.2,1,0,55.6
1.9,0,1,20.5
3.2,1,0,16.5

---

是否有任何实用程序可以为我实现这一点，或者有一种简单的方法来迭代数据并获得此表示？

据我所知，scikit learn不提供数据加载功能，但它更喜欢Numpy数组作为输入。Numpy函数及其

转换器

参数可用于加载csv并指定每列的类型。但它不会对第二列进行二值化。

在这个回答中，我假设您正在尝试将CSV转换为一个文件，该文件可以加载

您可以使用

csv2libsvm

，它是Ruby gem的一部分：

您需要Ruby 1.9+

$ ruby -v
ruby 1.9.3p374 (2013-01-15 revision 38858) [x86_64-darwin12.2.0]

如果您没有Ruby 1.9，安装起来很容易，不需要（或建议使用）root：

成功运行

gem install vector_embed

后，确保第一列名为“label”：

请注意，它同时处理分类数据和连续数据，并使用版本3生成功能名称（“colorIsBlue”对应于1089740，“colorIsRed”对应于1997960…尽管Ruby代码实际上是在散列类似“color\0red”的内容）

如果您使用的是svm，请确保按照他们在中建议的方式缩放数据

最后，假设您正在使用：

---

那么，在scikit learn中表示多类分类数据的正确方法是什么？据我所知，对分类变量进行二值化是一种方法。是的，您必须对数据进行二值化，以便生成的数组与浮点数据类型相同。您可以查看的实现，以获得一个关于如何实现的示例。代码是。一个简单的解决方案是在R中执行此步骤：

$ ruby -v
ruby 1.9.3p374 (2013-01-15 revision 38858) [x86_64-darwin12.2.0]

$ curl -#L https://get.rvm.io | bash -s stable
$ rvm install 1.9.3

$ cat example.csv 
label,color,someOtherValue
1.2,red,55.6
1.9,blue,20.5
3.2,red,16.5

$ csv2libsvm example.csv > example.libsvm

$ cat example.libsvm
1.2 1139043:55.6 1997960:1
1.9 1089740:1 1139043:20.5
3.2 1139043:16.5 1997960:1

>>> from sklearn.datasets import load_svmlight_file
>>> X_train, y_train = load_svmlight_file("/path/to/example.libsvm")