Python 如何对字符串分类数据进行编码？

因此，我有一个数据集，它本质上是单个程序执行的

windowsapi

调用列表。每一行属于一个程序。同一行的连续单元格是由同一程序进行的API调用。我的问题是无法弄清楚如何对这些分类数据进行

编码

，这样我就可以从中建立一个基于回归的

ML

模型

我尝试使用

Pandas

方法，

get\u dummies（）

但这似乎把事情搞砸了，因为生成的列数呈指数级增长

我的数据集看起来像这样-

ROW [9822] GetStartupInfoA LockResource GetCommandLineA GetModuleFileNameA ShowWindow EnableWindow DestroyWindow    lstrcpyW GetThreadLocale lstrcmpiW GlobalAlloc

如果有帮助的话，我还有一个独特的API列表

---

我的目标基本上是建立一个模型，分析API调用并预测进行这些调用的程序是否是良性的。

这是整数编码：

api_dict={
'call_1'：1，
“call_2”：2，
“呼叫3”：3，
...}
#从字典中获取相应的值
`api_dict.get（{api_name_here}）`

我不确定您的数据结构是如何安排的，但假设它是一个列表列表：

一个热编码类似，只是值将转换为二进制：

从keras.utils导入到
数据=[‘冷’、‘暖’、‘热’]#3个可能值
encoded=到_分类（数据）

返回

[[1 0]，[0 1 0]，[0 0 1]]

~2000个不同的值将被转换为11位二进制数，这意味着为了表示所有不同的API调用，该函数将转换每个值，即1或0的11个不同列。这样做是为了尽可能保持数据的中立性

如果使用我上面提供的算法，最终将得到1-1替换，但单元格中的值将介于1-2000之间。这可能会影响模型的输出

备选方案：

减少您希望允许程序进行的调用量，这将减少列数

RI>重新考虑你希望模型在预测时要考虑的数据。您可以删除任何不需要的数据，或者使用不同的方法来减少数据

更改表的结构，而不是记录所有调用，您可以记录诸如总运行时间、API调用数或您认为可能影响输出的任何其他内容。这取决于你

---

列名称是什么？如果要使用

get\u dummies（）

，所有条目都需要有一组公共列。此外，如果您的程序不都进行相同数量的API调用，则会有不同列数的行，这也是

get\u dummies（）不允许的

。在创建ML模型时，有很多因素决定您应该如何对数据集建模。我建议你添加模型的目标，以便社区能够更好地帮助你。嘿，乔希！数据集没有任何列名。所有程序进行相同数量的API调用（至少，我通过限制它来确保这一点）。你建议我添加列名吗？我没有这样做，因为这没有任何意义。很公平。考虑到API调用是名义上的，这是有道理的。我应该如何将API调用映射到一个数值（因为我有大约2000个唯一的API调用）？如果我不明白，我很抱歉，但是这对我面临的问题有什么帮助呢？我不能对所有2000个API调用都这样做。为什么我不能只使用标签编码器或热编码？你试过使用标签编码器吗？请更新您的问题以包含此信息。不管你怎么看，如果你想让你的模型区分2000个不同的API调用，你的结果将有许多不同的列。我给你的答案和标签编码器将产生相同的结果

LabelEncoder

是一个更简单的例子。如果您需要使用该函数的帮助，那么您应该提出一个新问题。如果我有2000个API调用，并且我只对数据进行了一次热编码，为什么会有2000多列？

for row in sheet:
    for cell in row:
       cell = api_dict.get(value)