Python 如何在使用sklearn进行一次热编码后给出列名？

这是我的问题，我希望有人能帮我解决

为了说明这一点，我的数据集中有10多个分类列，每个列都有200-300个类别。我想把它们转换成二进制值。为此，我使用第一个标签编码器将字符串类别转换为数字。标签编码器代码和输出如下所示

在标签编码器之后，我使用了一个来自scikit的热编码器再次学习，它工作正常。但问题是，我需要一个热编码器后的列名。例如，列A在编码之前具有分类值<代码>A=[1,2,3,4，…]

编码后应该是这样的,

A-1，A-2，A-3

任何人都知道如何在一次热编码后将列名分配给（旧列名-值名称或数字）。这是我的一个热编码和它的输出

---

我需要有名称的列，因为我训练了一个ANN，但每次出现数据时，我不能一次又一次地转换所有过去的数据。所以，我每次只想添加新的。无论如何谢谢。

您可以使用

.get\u feature\u names（）

属性获取列名

>>> ohenc.get_feature_names()
>>> x_cat_df.columns = ohenc.get_feature_names()

---

详细示例如下。

此示例有助于未来读者：

将熊猫作为pd导入
从sklearn.preprocessing导入OneHotEncoder
train_X=pd.DataFrame（{'Sex'：['male'，'femal']*3，'AgeGroup'：[0,15,30,45,60,75]}）

encoder=onehotcoder（稀疏=False）
train_X_encoded=pd.DataFrame（编码器.fit_变换（train_X['Sex']]））
train_X_encoded.columns=encoder.get_feature_name（['Sex']）
列车X.下降（['Sex']，轴=1，原地=True）
OH_X_train=pd.concat（[train_X，train_X_编码]，轴=1）

---

嘿，我遇到了同样的问题，我有一个自定义估计器，它从Sklearn.base扩展了BaseEstimator类

我在init中添加了一个名为self.feature\u name的class属性，然后作为转换方法的最后一步，我用结果中的列更新了self.feature\u name

from sklearn.base import BaseEstimator, TransformerMixin
import pandas as pd

class CustomOneHotEncoder(BaseEstimator, TransformerMixin):

    def __init__(self, **kwargs):
        self.feature_names = []

    def fit(self, X, y=None):
        return self

    def transform(self, X):

        result = pd.get_dummies(X)
        self.feature_names = result.columns

        return result

有点基本，我知道，但它做的工作，我需要它

如果要从sklearn管道中检索要素重要性的列名，可以从分类器步骤中获取要素，从一个热编码步骤中获取列名

a = model.best_estimator_.named_steps["clf"].feature_importances_
b = model.best_estimator_.named_steps["ohc"].feature_names

df = pd.DataFrame(a,b)
df.sort_values(by=[0], ascending=False).head(20)

---

请从代码编辑器中复制实际文本，将其粘贴到问题中，然后将其格式化为代码。这有助于其他人更轻松地阅读和测试您的代码。尝试运行此示例时说：“ValueError:无法将字符串转换为浮点值：”“female”

from sklearn.base import BaseEstimator, TransformerMixin
import pandas as pd

class CustomOneHotEncoder(BaseEstimator, TransformerMixin):

    def __init__(self, **kwargs):
        self.feature_names = []

    def fit(self, X, y=None):
        return self

    def transform(self, X):

        result = pd.get_dummies(X)
        self.feature_names = result.columns

        return result

a = model.best_estimator_.named_steps["clf"].feature_importances_
b = model.best_estimator_.named_steps["ohc"].feature_names

df = pd.DataFrame(a,b)
df.sort_values(by=[0], ascending=False).head(20)