Python 为ML保存并加载一个热编码

我已经找了两天了，至少我不能找到答案。对于机器学习回归模型，我需要对一些列进行热编码。训练数据和模型拟合正在我的本地PC上进行。之后，模型将上载到服务器进行预测

问题是，新数据不是初始编码的一部分，因此我需要以与在PC上学习数据相同的方式对其进行热编码。我发现我可以保存编码器（sklearn.preprocessing->onehotcoder）。 但我无法将数据转换为正确的格式

为了便于理解，我刚刚创建了一个带有一些非常简单的虚拟数据的笔记本

# Import pandas library 
import pandas as pd 
# initialize list of lists 
data = [['tom', 10], ['nick', 15], ['juli', 14]] 
# Create the pandas DataFrame 
df = pd.DataFrame(data, columns = ['Name', 'Age']) 
# print dataframe.
df 

输出：

姓名年龄

汤姆10

尼克15

朱莉14

---

输出：

朱利·尼克·汤姆的年龄

10001

150 110

14100

---

输出：

姓名年龄

迈克尔20

朱莉45

是否可以将“data_new”编码为与“data”相同的方式，并保存编码器，以便在实时传入数据上使用

df_new的th模型中预期使用的热编码：

朱利·尼克·汤姆的年龄

20 0 0 0

---

45 1 0 0

据我所知，

pandas

没有公开使用

get_dummie

进行串行编码的方法。我会直接使用

onehotcoder

对变量进行编码，然后

joblib

对其进行序列化

import joblib
import pandas as pd 
from sklearn.preprocessing import OneHotEncoder

col_names = ['name', 'age']
data = [['tom', 10], ['nick', 15], ['juli', 14]] 

enc = OneHotEncoder(handle_unknown='error')
enc.fit(data)
joblib.dump(enc, 'encoder.joblib')

然后在服务器上：

enc = joblib.load('encoder.joblib')
data_df = pd.DataFrame(data=data, columns=col_names)
enc_df = pd.DataFrame(data=enc.transform(data).toarray(), columns=enc.get_feature_names(col_names), dtype=bool)
df = pd.concat([data_df, enc_df], axis=1)

df的输出

：

|   | name | age | name_juli | name_nick | name_tom | age_10 | age_14 | age_15 |
|---|------|-----|-----------|-----------|----------|--------|--------|--------|
| 0 | tom  | 10  | False     | False     | True     | True   | False  | False  |
| 1 | nick | 15  | False     | True      | False    | False  | False  | True   |
| 2 | juli | 14  | True      | False     | False    | False  | True   | False  |

---

在卢卡斯·特雷切夫斯基的帮助下： 因为分类功能不再起作用了。数据帧必须分为两个df，一个用于编码，另一个用于不编码，然后连接

import joblib
import pandas as pd 
from sklearn.preprocessing import OneHotEncoder

col_names_encode = ['Name']

# learning data
data = [['tom', 10], ['nick', 15], ['juli', 14]] 
df = pd.DataFrame(data, columns = ['Name', 'Age']) 

# data from data lake
data_new = [['michael', 20], ['juli', 45]] 
df_new = pd.DataFrame(data_new, columns = ['Name', 'Age']) 

# get only data for encoding
df_encode = df.drop(columns=["Age"])

# one hot encoding
enc = OneHotEncoder(handle_unknown='ignore')
enc.fit(df_encode)
df_encode = pd.DataFrame(data=enc.transform(df_encode).toarray(), columns=enc.get_feature_names(col_names_encode), dtype=bool)
# trasfer true and false to 1 and 0
df_encode = df_encode * 1

# concatenate data
df = pd.concat((df[['Age']], df_encode), axis=1)

#use the encoder to encode new incoming data
df_new_encode = df_new.drop(columns=["Age"])

df_new_encode = pd.DataFrame(data=enc.transform(df_new_encode).toarray(), columns=enc.get_feature_names(col_names_encode), dtype=bool)
df_new = pd.concat((df_new[['Age']], df_new_encode), axis=1)
df_new = df_new * 1

df_new.head()

---

那么它和django有什么关系呢？是的，对不起，我用这个来实现它。但不是直接联系。将删除标记谢谢这是非常有用的，但不完全是解决方案。在“服务器上”部分，您将初始信息再次输入到编码中。当我试图获取dfu new的“michael”信息时，出现了一个错误“在转换期间在第0列中发现未知类别['michael']。另一个问题是OneHotEncoding对所有列进行了编码。不应该对年龄进行编码，因为这是一组真正可比较的值，应该保留在ML的一列中。@DimiDev我不知道你在建模什么，所以无法判断编码的意义。在某些情况下，对年龄进行热编码是一个好的举措。至于预测中出现新类别时的错误，这是故意的。您的模型应该如何处理过去未公开的类别？相应地处理这个问题。如果需要，您也可以选择忽略OneHotEncoder（handle_unknown='ignore'）的错误。进行了一些测试，但仍然存在“不编码年龄”的问题。但是是的，你的未知帮助了很多。将发布结果。如果在

数据中只传递姓名，不传递，则不会获得年龄编码。我相信这是显而易见的，所以可能有一些复杂的东西我没有得到。请注意，您可以传递任何需要OHE（一个热编码）的2d数组（可以选择使用
重塑
处理1d），然后用剩余数据传递
concat
。
|   | name | age | name_juli | name_nick | name_tom | age_10 | age_14 | age_15 |
|---|------|-----|-----------|-----------|----------|--------|--------|--------|
| 0 | tom  | 10  | False     | False     | True     | True   | False  | False  |
| 1 | nick | 15  | False     | True      | False    | False  | False  | True   |
| 2 | juli | 14  | True      | False     | False    | False  | True   | False  |

import joblib
import pandas as pd 
from sklearn.preprocessing import OneHotEncoder

col_names_encode = ['Name']

# learning data
data = [['tom', 10], ['nick', 15], ['juli', 14]] 
df = pd.DataFrame(data, columns = ['Name', 'Age']) 

# data from data lake
data_new = [['michael', 20], ['juli', 45]] 
df_new = pd.DataFrame(data_new, columns = ['Name', 'Age']) 

# get only data for encoding
df_encode = df.drop(columns=["Age"])

# one hot encoding
enc = OneHotEncoder(handle_unknown='ignore')
enc.fit(df_encode)
df_encode = pd.DataFrame(data=enc.transform(df_encode).toarray(), columns=enc.get_feature_names(col_names_encode), dtype=bool)
# trasfer true and false to 1 and 0
df_encode = df_encode * 1

# concatenate data
df = pd.concat((df[['Age']], df_encode), axis=1)

#use the encoder to encode new incoming data
df_new_encode = df_new.drop(columns=["Age"])

df_new_encode = pd.DataFrame(data=enc.transform(df_new_encode).toarray(), columns=enc.get_feature_names(col_names_encode), dtype=bool)
df_new = pd.concat((df_new[['Age']], df_new_encode), axis=1)
df_new = df_new * 1

df_new.head()