Python 如何将向量中的数值和分类值组合为LSTM的输入？

我在上面分享了一个代码示例。我的问题是，我应该如何将数值变量和分类变量结合起来作为LSTM的输入

输入向量应该是什么样的

它是否应该像[0.123,0,1,0,0…]（像代码中的X）dim=（1,8）

它是否应该像[0.123、[0,1,0,0…]]dim（1,2）

或者是否有特定的方式/方法将输入传递给ANN或RNN等。如果有，是什么，为什么我们应该使用它/它们（赞成/反对）

我读了一些关于嵌入的东西，但这些解释对我来说似乎不够，因为我想了解所有这些背后的逻辑

像这样的

import pandas as pd
import numpy as np

rands = np.random.random(7)
days = ['Sunday', 'Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday']
dates = pd.date_range('2018-01-01', '2018-01-07')

df = pd.DataFrame({'date': dates, 'days': days, 'y': rands})

df_days_onehot = pd.get_dummies(df.days)[days]
df[days] = df_days_onehot
df['target'] = df.y.shift(-1)

df.drop('days', axis=1, inplace=True)
df.set_index('date', inplace=True)

X = df.iloc[:, :-1].values
y = df.iloc[:, -1].values

---

任何指导、链接、解释或帮助都将被告知。。。祝你度过愉快的一天。

在处理各种范围的输入时，可以查看各种预处理（如标准化等）。一个热表示法当然是表示类别的好方法

如果类别元素太多，导致一个热编码非常大，则使用嵌入。它们提供了对给定输入进行编码的矢量表示（可能是可训练的）。你可以在下面的链接中阅读更多关于它们的信息。嵌入的使用在NLP中非常常见

除此之外，您还可以利用Keras建模支持多个输入层这一事实

对于您的具体案例，下面是一个虚构的示例，可能会帮助您开始。再一次，我添加了几个密集的隐藏层来演示这一点。这应该是不言自明的

model = Sequential()
model.add(LSTM(64, batch_input_shape=(batch_size, look_back, 1), stateful=True, return_sequences=True))
model.add(Dropout(0.3))
model.add(LSTM(32, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dropout(0.3))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer=adam)
model.fit(trainX, trainY, epochs=100, batch_size=batch_size, verbose=2, shuffle=False)

另一种方法（可能更优雅）是对分类变量（其值不会随时间而改变）设置条件

我们举一个例子，来自两个不同城市的天气数据：巴黎和旧金山。您希望根据历史数据预测下一个温度。但与此同时，你预计天气会随着城市的变化而变化。您可以：

• 将辅助功能与时间序列数据相结合（您在此处提出的建议）

• 将辅助特征与RNN层的输出连接起来。这是某种RNN后调整，因为RNN层不会看到此辅助信息

• 或者仅使用已知的条件表示（例如巴黎或旧金山）初始化RNN状态

我写了一个库来调节辅助输入。它抽象了所有的复杂性，并设计为尽可能方便用户：

---

希望有帮助

首先，谢谢你的回答。这真的很有帮助。但是，我将使用顺序模型，我需要在其中添加一个LSTM层。您能简单地将示例代码转换为带有层的顺序模型吗？我将编辑我的上述问题与某物我将期待做。顺序模型不支持多个输入或共享层。您仍然可以使用LSTM层在与示例中相同的行中创建功能模型。如果您无法避免顺序模型，则需要将所有输入组合到一个输入层中。组合所有输入是什么意思？创建一个像[0.123,0,1,0,0,0，…]这样的输入向量是否有效？我的意思是，这就是你所说的把它们结合起来的意思吗？是的。根据问题的不同，它当然有可能完成这项工作。最后，我只是想知道为什么我们不能像使用[real，real，real，…]一样使用它们，就像我们使用[real，real，real，…]作为输入向量一样。缺点是什么。如果你对此有答案，我将不胜感激。谢谢你抽出时间。我将尝试一些可能的案例。

X1 = rands  
X2 = df_days_onehot
Y = np.random.random(7)

float_input = Input(shape=(1, ))
one_hot_input = Input(shape=(7,) )

first_dense = Dense(3)(float_input)
second_dense = Dense(50)(one_hot_input)

merge_one = concatenate([first_dense, second_dense])
dense_inner = Dense(10)(merge_one)
dense_output = Dense(1)(dense_inner)


model = Model(inputs=[float_input, one_hot_input], outputs=dense_output)


model.compile(loss='mean_squared_error',
              optimizer='adam',
              metrics=['accuracy'])

model.summary()

model.fit([X1,X2], Y, epochs=2)