Python 在分类数据中使用get_假人

我必须使用一个数据集，然后使用决策树分类器，因为我不能有分类数据，但这个数据集有分类数据列，如下所示：

def load_data(fname):
    """Load CSV file"""
    df = pd.read_csv(fname)
    nc = df.shape[1]
    matrix = df.values
    table_X = matrix [:, 2:]
    table_y = matrix [:, 81]
    features_names = df.columns.values[1:]
    target = df.columns.values[81]
    return table_X, table_y

table_X, table_y = load_data("dataset.csv")

pd.get_dummies(table_X)

我知道这可以通过使用get_dummies函数来完成，但我做不到。 我首先阅读了如下数据集：

def load_data(fname):
    """Load CSV file"""
    df = pd.read_csv(fname)
    nc = df.shape[1]
    matrix = df.values
    table_X = matrix [:, 2:]
    table_y = matrix [:, 81]
    features_names = df.columns.values[1:]
    target = df.columns.values[81]
    return table_X, table_y

table_X, table_y = load_data("dataset.csv")

pd.get_dummies(table_X)

当我运行此命令时，我得到以下异常：

exception:数据必须是一维的

我做错了什么

-------------------------------编辑------------------------------------

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
y = le.fit_transform(table_y)
le.classes_

le.transform(['<200000', '>400000', '[200000,400000]'])

---

就在pd之后。阅读csv使用pd。根据以下答案获取假人（df）

： 在应用函数

get\u dummies（）

之前，似乎必须将表X转换回数据帧。或者您可以避免使用

df.values

试试这个：

def load_data(fname):
    """Load CSV file"""
    df = pd.read_csv(fname)
    table_X = df.iloc[:, 2:]
    table_y = df.iloc[:, 81]
    return table_X, table_y

table_X, table_y = load_data("dataset.csv")

pd.get_dummies(table_X)

---

让我知道它是否有效。

问题是，我不想将它应用于所有数据集。我有一列具有分类数值，我想转换为字符串，然后我有顺序数值列，它们应该保持原样，并使用索引映射进行转换。最后使用get dummiesoh然后使用：data=pd.get_dummies（data，columns=[“”]）它可以工作，至少我在运行'pd.get_dummies（table_X）时可以得到一个表尽管当我尝试运行决策树算法时，我仍然得到一个错误，我已经编辑了问题并添加了决策树部分。您得到的错误可能与表_x中没有浮动的值有关（其中仍然有字符串）。使用

table_x.dtypes检查这一点

如何更改列类型？要应用决策树算法，我需要取出所有NaN、无穷大或对dtype太大的值（float32），因为我对table_x应用了get_假人，并得到以下错误：''ValueError:输入包含NaN、无穷大或对dtype太大的值（'float32'）.´