Python 3.x 对分类变量使用pd.get_dummies（）和DictVectorizer（）时会产生不同的结果

当我试图在

管道中使用分类变量时，我遇到了一个问题。
pd.get_dummies（）
是一个很棒的工具，但我们不能在管道中正确使用它。所以我不得不使用
DictVectorizer（）
。我按照下面的方法做（玩具示例）

然后我建造管道

class Cat():

    def transform(self, X, y=None, **fit_params):
        enc = DictVectorizer(sparse = False)
        encc = enc.fit(df[['b']].T.to_dict().values())
        enc_data = encc.transform(X.T.to_dict().values())
        return enc_data

    def fit_transform(self, X, y=None, **fit_params):
        self.fit(X, y, **fit_params)
        return self.transform(X)

    def fit(self, X, y=None, **fit_params):
        return self
xgb = XGBRegressor()
pipeline = Pipeline([ 

                ('categorical', Cat()),
    ('model_fitting', xgb),
])
pipeline.fit(X, y)
metrics.r2_score(y, pipeline.predict(X))
0.9999985362431687

它起作用了。与pd.get_dummies（）比较

但问题是使用
pd.get_dummies（）
和
DictVectorizer（）
在实际数据集上的结果有很大的不同。真正的数据集既没有NAN，也没有空的sell。它有两个变量1）y数字和2）字符串“性别”（f-962，m-140）。

和R^2，用于pd.get_dummies（）

0.025946526223095123

R^2用于

DictVectorizer（）0.00170802695618677

问题不取决于样本量，因为我做了

df = pd.DataFrame({ 'a': range(6000) ,  'b': ['а', 'м']*3000})

结果是一致的

---

原因可能是什么？谢谢你的帮助，我看不出有什么问题。我建议你去掉管道的复杂性，使用get_dummies和dictvectorizer尝试第一步；比较两个输出，我已经完成了。相同的数据集）当您在这些相同的数据集上运行fit和score时？@simon抱歉，我发现了错误（（我通过筛选获得了真实的数据集，并且必须重置索引……。我是个白痴（可能是因为您定义cat（）的方式）。通常要包含在管道中，您的分类器需要从BaseEstimator继承。看不出任何错误。我建议您去掉管道的复杂性，使用get_dummies和dictvectorizer尝试第一步；并比较两个输出。我已经完成了。相同的数据集）当你在这些相同的数据集上运行fit和score时？@simon抱歉，我发现了错误（（我通过过滤获得了我的真实数据集，并且我必须重置索引……。我是个白痴（可能是因为你定义cat（）的方式）。通常要包含在管道中，你的分类器需要从BaseEstimator继承。

X1 = pd.get_dummies(df['b'])
xgb.fit(X1, y)
metrics.r2_score(y, xgb.predict(X1))
0.9999985362431687

df = pd.DataFrame({ 'a': range(6000) ,  'b': ['а', 'м']*3000})