Python 决策树-处理字符串值需要很长时间，但处理浮点值效果良好。如何理解？

我正在尝试使用下面的代码构建一个决策树分类器

从sklearn.tree导入DecisionTreeClassifier
clf=DecisionTreeClassifier（）

我的数据是

年龄类型收入贷款目的贷款金额优惠
18学生学习500是的
18学生学习600是的
18学生学习700是的
18学生学习800是的
. . .

因此，决策树给出了一个错误，说明它无法将Student转换为浮点值

我能做些什么来解决这个问题？

---

我不希望通过预处理将数据手动转换为浮点，我希望算法本身能够处理这个问题。是否有任何要传递的参数可以自动修复此问题？

sklearn

希望所有输入都是连续的，这就是为什么没有模块可以自动将分类变量转换为浮点。您必须手动执行某种预处理

然而，有一个相当方便的选择：对分类数据进行一次热编码（假设在您的示例中，这些因素没有太多不同的级别

type\u income

和

loan\u purpose

）。仅将字符串转换为浮点数（例如

Student

->

0

，

Employee

->

1

）是不可取的，因为这样

sklearn

将假定存在关系

Student

---

我建议您看一下

的第4.3.5节，它不能手动完成，也不能通过传递一些参数由决策树算法处理

注：机器学习或其他相关领域最大的工作不是实际的算法，而是数据收集和预处理。因此，你真的不能逃避这些事情，也不能指望函数自己处理它们

您需要将字符串转换为相应的数字（如映射），可以使用一个热编码。上面对

DecisionTree

的函数调用无法为您实现这一点，但是，有一些预处理函数可以帮助您实现这一点

（原因是后台的许多计算都是计算和标识符密集型的。字符串会消耗额外的内存，从而减慢计算速度-因此，使用整数要快得多。）

如果重要的话，你也可以自己写。退房

一些附加信息

另一种使热编码和算法有效的方法是使用矩阵。由于数据集可能是密集的和巨大的，稀疏矩阵只是一种“压缩”一个热编码数组，以便它可以有效地存储在内存中