Python 在sklearn中处理具有多个值的分类数据

我试图通过各种功能预测客户保留率

其中一个是org_id，它表示客户所属的组织。它当前是一个浮点列，数字范围从0.0到416.0，并且具有417个唯一值

我想知道在将此专栏提供给scikit学习分类器之前，对其进行预处理的最佳方法是什么。一般来说，我会对分类特征进行热编码，但是这里有太多的值，所以它会从根本上增加我的数据维度。我有12000行数据，所以我可能还可以，而且只有大约10个其他特性

替代方法是使用浮点值保留列，将浮点值转换为int值，或将浮点值转换为pandas的分类对象

---

任何提示都非常感谢

org\u id

似乎不是为分类带来任何信息的功能，您应该删除此值，而不是将其传递到分类器中

在分类器中，您只希望传递对您尝试执行的任务有区别的特征：这里是可能影响保留或搅动的元素。在这种情况下，公司ID不会带来任何有价值的信息，因此不应使用

编辑以下OP评论：

在进一步讨论之前，让我们陈述一下：关于样本数量（12000）和模型的相对简单性，可以多次尝试轻松地尝试不同的功能配置

所以，作为一个基准，我会像我之前说的那样，把这个特性放在一起。这是您的基线分数，即您可以比较其他功能组合的分数

我认为尝试热编码

org\u id

不需要任何成本，无论你观察到的结果是什么，都将增加你对随机林在这种情况下的行为的经验和知识。由于您只有10个以上的功能，布尔功能

是组织id\u 1

，

是组织id\u 2

。。。将具有高度优势，并且分类结果可能受到这些特征的高度影响

然后，我会尝试通过寻找能够“描述”这400多个组织的新功能来减少布尔功能的数量。例如，如果他们只是美国组织，他们的状态是大约50个特征，或者他们的用户数量（这将是一个单一的数字特征），他们的存在年限（另一个单一的数字特征）。让我们注意到，这些只是说明创建新功能过程的示例，只有了解全部问题的人才能以智能的方式设计这些功能

---

另外，我会发现有趣的是，一旦你解决了你的问题，你回到这里，为你的问题写下另一个答案，我相信，许多人在处理真实数据时会遇到这样的问题：）

org\u id

似乎不是一个为分类带来任何信息的功能，您应该删除该值，而不是将其传递到分类器中

在分类器中，您只希望传递对您尝试执行的任务有区别的特征：这里是可能影响保留或搅动的元素。在这种情况下，公司ID不会带来任何有价值的信息，因此不应使用

编辑以下OP评论：

在进一步讨论之前，让我们陈述一下：关于样本数量（12000）和模型的相对简单性，可以多次尝试轻松地尝试不同的功能配置

所以，作为一个基准，我会像我之前说的那样，把这个特性放在一起。这是您的基线分数，即您可以比较其他功能组合的分数

我认为尝试热编码

org\u id

不需要任何成本，无论你观察到的结果是什么，都将增加你对随机林在这种情况下的行为的经验和知识。由于您只有10个以上的功能，布尔功能

是组织id\u 1

，

是组织id\u 2

。。。将具有高度优势，并且分类结果可能受到这些特征的高度影响

然后，我会尝试通过寻找能够“描述”这400多个组织的新功能来减少布尔功能的数量。例如，如果他们只是美国组织，他们的状态是大约50个特征，或者他们的用户数量（这将是一个单一的数字特征），他们的存在年限（另一个单一的数字特征）。让我们注意到，这些只是说明创建新功能过程的示例，只有了解全部问题的人才能以智能的方式设计这些功能

---

另外，我会发现有趣的是，一旦你解决了问题，你会回到这里，为你的问题写下另一个答案。我相信，很多人在处理真实数据时都会遇到这样的问题：）

谢谢你的回答。我理解你的观点，这是一个很好的观点。但我有两点回应：1）假设组织id确实带来了分类信息，你会如何处理？i、 e.我一般如何解决这个问题？；2） 实际上，我并没有试图预测保留率本身，而是试图确定数据集中的哪些因素可以预测未来的用户保留率。我的想法是为这些数据创建一个随机森林分类器，然后从分类器中获取特征重要性，这样我就可以确定哪些因素可以预测未来的用户保留率。谢谢你的提示。为了总结你的观点，我有3个选择：1）删除该列；2） 一个热编码；3） 提出除id之外的其他功能。很好的建议。我应该提到的是，我并不是在处理一个“真正”的问题，因为这是一个带回家的挑战数据集，除了组织id之外，我没有访问组织数据的权限。所以我不能做3。根据我自己的阅读，我认为binning是标准的方法