Python sklearn DecisionTreeClassifier使用应被视为分类的字符串

我正在训练一个

sklearn.tree.DecisionTreeClassifier

。我从pandas.core.frame.DataFrame开始。此数据帧的某些列是真正应该分类的字符串。例如，“Color”就是这样一列，其值包括“black”、“white”、“red”等。因此，我将此列转换为如下类型：

data['Color'] = data['Color'].astype('category')

X = data.drop(['OutcomeType'], axis=1)
y = data['OutcomeType']
X_train, X_test, y_train, y_test = train_test_split(X, y)

这个很好用。现在，我使用

sklearn.cross\u validation.train\u test\u split

拆分数据帧，如下所示：

data['Color'] = data['Color'].astype('category')

X = data.drop(['OutcomeType'], axis=1)
y = data['OutcomeType']
X_train, X_test, y_train, y_test = train_test_split(X, y)

现在，

X\u列车

的类型为

numpy.ndarray

。但是，“颜色”值不再是分类的，而是字符串

因此，当我打以下电话时：

    clf = tree.DecisionTreeClassifier()
    clf = clf.fit(X_train, y_train)

我得到以下错误：

ValueError:无法将字符串转换为浮点：黑色

---

要使其正常工作，我需要做什么？

如果要将分类列转换为整数，可以使用

data.Color.cat.code

；这使用

data.Color.cat.categories

来执行映射（第i个数组元素映射到整数

i

）

正如ayhan所说，一种解决方法是从“Color”变量创建虚拟特征（这在决策树/RF中非常常见）

您可以使用以下内容：

def feature_to_dummy(df, column, drop=False):
    ''' take a serie from a dataframe,
        convert it to dummy and name it like feature_value
        - df is a dataframe
        - column is the name of the column to be transformed
        - if drop is true, the serie is removed from dataframe'''
    tmp = pd.get_dummies(df[column], prefix=column, prefix_sep='_')
    df = pd.concat([df, tmp], axis=1, join_axes=[df.index])
    if drop:
        del df[column]
    return df

有关熊猫的信息，请参见。获取假人

示例

df
Out[1]: 
   color
0    red
1  black
2  green

df_dummy = feature_to_dummy(df, 'color', drop=True)

df_dummy
Out[2]: 
   color_black  color_green  color_red
0            0            0          1
1            1            0          0
2            0            1          0

---

我不确定算法的细节，但我认为你需要的是假人而不是类别类型。有了熊猫，你可以试着做些小假人，因为sklearn也有类似的预处理工具