Python 熊猫中字符串特征的编码

我有如下数据帧

train_df
'type', 'manufacturer', 'year', 'num_doors'
sedan, bmw, 2012, 4
couple, audi, 2014, 2
and so on

并以类似格式测试_df 所有的特性都是分类特性一些字符串，一些int，我想把它们编码成分类变量

在pandas/sklearn中处理这些分类变量的好方法是什么

---

此外，一旦转换应用于列车df。。我想根据这些编码对测试数据进行编码？

在读取数据时，将数据类型指定为category，使每一列本质上都是分类的

df = pd.read_csv('file.csv', dtype='category')
df

     type manufacturer  year num_doors
0   sedan          bmw  2012         4
1  couple         audi  2014         2

如果您只想转换特定的列子集，类似这样的操作可以-

f = dict.fromkeys(['type', 'manufacturer', ...], 'categorical')

将f传递给dtype

---

读取数据时，将dtype指定为类别，以使每一列本质上都是分类的

df = pd.read_csv('file.csv', dtype='category')
df

     type manufacturer  year num_doors
0   sedan          bmw  2012         4
1  couple         audi  2014         2

如果您只想转换特定的列子集，类似这样的操作可以-

f = dict.fromkeys(['type', 'manufacturer', ...], 'categorical')

将f传递给dtype

---

实现这一点有多种方法：

如果您可以使用scikit scikit learn v0.20.dev0的开发版本，那么这里有一个礼物，它正是您想要的

例如：

from sklearn.preprocessing import CategoricalEncoder
enc = CategoricalEncoder(handle_unknown='ignore')
X = pd.read_csv('file.csv')
enc.fit(X)

enc.categories_
# Output: 
# [array(['sedan', 'couple'], dtype=object), 
   array(['bmw', 'audi'], dtype=object)]
   array([2012, 2014], dtype=object)]
   ... 
   ...

---

如果您无法使用该版本，并且希望使用当前的稳定版本，则有多种方法可以实现此目的：

如果您可以使用scikit scikit learn v0.20.dev0的开发版本，那么这里有一个礼物，它正是您想要的

例如：

from sklearn.preprocessing import CategoricalEncoder
enc = CategoricalEncoder(handle_unknown='ignore')
X = pd.read_csv('file.csv')
enc.fit(X)

enc.categories_
# Output: 
# [array(['sedan', 'couple'], dtype=object), 
   array(['bmw', 'audi'], dtype=object)]
   array([2012, 2014], dtype=object)]
   ... 
   ...

---

如果您无法使用它，并且希望使用当前的稳定版本，您知道哪些列是分类的吗？@cᴏʟᴅsᴘᴇᴇᴅ: 是 啊虽然只有10个可能的值，但它可以使用..查找一个热编码并获得_假人-两个sklearn函数IIRC@paultget_dummies来自pandas，而不是scikit Learn。你知道哪些栏目是分类的吗？@cᴏʟᴅsᴘᴇᴇᴅ: 是 啊虽然只有10个可能的值，但它可以使用..查找一个热编码并获得_假人-两个sklearn函数IIRC@paultget_假人来自熊猫，而不是scikit learn