Python 当属性为字符串（不是int或float）时，如何在Scikit学习中应用二进制分类器

我有一份有二元语言课程（说英语或不说英语）的人的名字和姓氏的名单

下面是一个示例文件（为了保护人们的隐私，我用虚拟值更改了名称）：

我想应用机器学习算法，如SVM和朴素贝叶斯，使用Scikit学习来评估二元分类任务。由于scikit不允许属性为字符串，因此我将它们转换为整数。转换后的示例文件如下所示：

1,2,0
3,4,0
5,6,1
7,2,0
8,3,0
9,10,1
11,5,1

我想问一下，SVM和朴素贝叶斯是否认为姓氏的输入值是独立的值，或者数字之间存在某种关系？换句话说，重要的是5大于2，或者这些数字将被视为唯一值，而不管它们的算术值如何

这个问题的原因是，如果我按语言（即首先是说英语的人）对列表进行排序，然后用整数替换名称，该算法会给出非常好的结果（准确度和f分数高于97%）。但是如果我洗牌列表，然后用整数替换名称，结果会很差

通常，当属性值为字符串时，使用Scikit进行分类的解决方案是什么。

p.S.1：我用Weka测试了相同的数据集，我没有遇到这样的问题，因为Weka使用arff文件，而且它本身也进行必要的转换

p.S.2：这是我用来读取文件和应用算法的代码（工作正常，没有错误）

---

<>强>一般的，你必须知道字符串是什么意思，以便将它们转换成数值特征值，并且你还必须考虑结果的学习算法。在这种情况下，一次热编码可能是最好的尝试。实现这一点。结果将是指标变量的稀疏矩阵，因此您最好从

GaussianNB

切换到

BernoulliNB

（不是说

GaussianNB

对您当前的编码有意义）。

在支持向量机中，输入是基数（因此顺序很重要）。如果您的输入是名义上的，我会使用归纳规则（例如，决策树）或朴素贝叶斯也可以。您可以使用支持向量机，但必须对它们进行二值化：（在您的情况下，这听起来非常昂贵）

1,2,0
3,4,0
5,6,1
7,2,0
8,3,0
9,10,1
11,5,1

#read file into numpy array format
path = "/path/to/csv/file/BinaryClassification.csv"
import numpy as np
lstAttributes = np.loadtxt(path, delimiter=',')[:,0:2]
lstLabels = np.loadtxt(path, delimiter=',')[:,2:3]
tempArr = []
for v in lstLabels:
    tempArr.append(float(v))
from numpy import array
lstLabels = array(tempArr)

#trains and test algorithms (uses whole data as training and test set)
from sklearn import naive_bayes
classifier = naive_bayes.GaussianNB()
model = classifier.fit(lstAttributes, lstLabels)
prediction = model.predict(lstAttributes)
from sklearn.metrics import confusion_matrix
print confusion_matrix(lstLabels, prediction)

#Use 5 fold cross validation to evaluate the algorithms
from sklearn import cross_validation
scores = cross_validation.cross_val_score(classifier, lstAttributes, lstLabels, cv=5, scoring='f1')
print("cross validation: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))