Python 将分类数据传递给Sklearn决策树

有几篇关于如何将分类数据编码到Sklearn决策树的文章，但是从Sklearn文档中，我们得到了这些

决策树的一些优点是：

（……）

能够处理数字和分类数据。其他技术通常专门用于分析只有一种类型变量的数据集。有关更多信息，请参阅算法

但是运行下面的脚本

将熊猫作为pd导入
从sklearn.tree导入DecisionTreeClassifier
data=pd.DataFrame（）
数据['A']=['A'，'A'，'b'，'A']
数据['B']=['B'，'B'，'a'，'B']
数据['C']=[0,0,1,0]
数据['Class']=['n'，'n'，'y'，'n']
tree=DecisionTreeClassifier（）
fit（数据['A'，'B'，'C']]，数据['Class']

输出以下错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/lib/python2.7/site-packages/sklearn/tree/tree.py", line 154, in fit
    X = check_array(X, dtype=DTYPE, accept_sparse="csc")
  File "/usr/local/lib/python2.7/site-packages/sklearn/utils/validation.py", line 377, in check_array
    array = np.array(array, dtype=dtype, order=order, copy=copy)
ValueError: could not convert string to float: b

回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
文件“/usr/local/lib/python2.7/site packages/sklearn/tree/tree.py”，第154行
X=检查数组（X，dtype=dtype，accept\u sparse=“csc”）
文件“/usr/local/lib/python2.7/site packages/sklearn/utils/validation.py”，第377行，在check_数组中
array=np.array（array，dtype=dtype，order=order，copy=copy）
ValueError:无法将字符串转换为浮点值：b

---

我知道在R中，可以通过Sklearn传递分类数据，是吗？

Sklearn决策树不处理分类字符串到数字的转换。我建议您在Sklearn（可能）中找到一个函数，或者手动编写一些代码，如：

def cat2int(column):
    vals = list(set(column))
    for i, string in enumerate(column):
        column[i] = vals.index(string)
    return column

---

与公认的答案相反，我更愿意使用Scikit Learn提供的工具来实现这一目的。这样做的主要原因是它们可以很容易地集成到一个系统中

Scikit Learn本身提供了非常好的类来处理分类数据。与其编写自定义函数，不如使用专门为此设计的函数

请参阅文档中的以下代码：

from sklearn import preprocessing
le = preprocessing.LabelEncoder()
le.fit(["paris", "paris", "tokyo", "amsterdam"])
le.transform(["tokyo", "tokyo", "paris"]) 

这会自动将它们编码为数字，用于机器学习算法。现在，它还支持从整数返回字符串。只需调用

逆变换

即可完成此操作，如下所示：

list(le.inverse_transform([2, 2, 1]))

这将返回

[“东京”、“东京”、“巴黎”]

还请注意，对于许多其他分类器，除了决策树（如逻辑回归或SVM）之外，您还希望使用。Scikit learn在课堂上也支持这一点

希望这有帮助

（……）

能够处理数字和分类数据

这只意味着您可以使用

• 分类问题的DecisionTreeClassifier类
• 用于回归的DecisionTreeGressor类

在任何情况下，在使用sklearn拟合树之前，都需要对分类变量进行热编码，如下所示：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

data = pd.DataFrame()
data['A'] = ['a','a','b','a']
data['B'] = ['b','b','a','b']
data['C'] = [0, 0, 1, 0]
data['Class'] = ['n','n','y','n']

tree = DecisionTreeClassifier()

one_hot_data = pd.get_dummies(data[['A','B','C']],drop_first=True)
tree.fit(one_hot_data, data['Class'])

（这只是从2016年开始的改革……它仍然适用。）

这个问题的公认答案是误导性的

目前，sklearn决策树不处理分类数据

建议使用标签编码的方法将转换为整数，

DecisionTreeClassifier（）

将视为数字。如果你的分类数据不是有序的，这是不好的-你将以没有意义的分割结束

---

使用

OneHotEncoder

是当前唯一有效的方法，允许任意拆分，不依赖于标签顺序，但计算成本较高。

对于标称分类变量，我不会使用

LabelEncoder

而是

sklearn.preprocessing.onehotcoder

或

pandas.get_dummies

，因为这些类型的变量通常没有顺序

截至，scikit支持在

HistGradientBoostingClassifier

和

HistGradientBoostingRegressionor

中使用分类功能

要启用分类支持，可以将布尔掩码传递给category_features参数，指示哪个功能是分类的。在下文中，第一个特征将被视为分类特征，第二个特征将被视为数字特征：

gbdt=HistGradientBoostingClassifier（分类特征=[True，False]） 同样，可以传递一个整数列表，指示分类特征的索引：

gbdt=HistGradientBoostingClassifier（分类功能=[0]）

---

您仍然需要对字符串进行编码，否则将出现“无法将字符串转换为浮点”错误。有关使用

OrdinalEncoder

将字符串转换为整数的示例，请参见。

是的，通常是这样，但对于打印来说，这并不太好。如果您想从整数转换回字符串表示，请制作一个保存字符串和整数之间映射的字典，并使用它进行“解码”整数表示形式。该语句不准确。Scikit学习分类器不会隐式处理标签编码。然而，Scikit learn提供了很多类来处理这个问题。我建议使用scikit学习工具，因为它们也可以以最小的努力适应机器学习管道。-1这是误导。目前，sklearn决策树不处理分类数据。这种使用标签编码的方法将转换为整数，

DecisionTreeClassifier（）

将其视为数字。如果你的分类数据不是有序的，这是不好的-你将以没有意义的分割结束。使用

OneHotEncoder

是当前唯一有效的方法，但计算成本很高。这是非常容易误导的。请不要将字符串转换为数字并在决策树中使用。在scikit learn中无法处理分类数据。一种选择是在Spark中使用决策树分类器，在该分类器中可以显式声明分类特征及其顺序性。参考这里了解更多细节，每个人都必须学习音阶