Python 特征选择和分类变量

我处理的数据集主要包含二进制变量。但是，其中两个是具有多个值（字符串）的类别。我想使用套索应用特征选择，但我有一个错误

Keyerror:无法将字符串转换为浮点：

我是否应该使用

标签编码

，然后进行功能选择？你知道怎么处理吗

这是我的密码

X = data.iloc[:,:-1]
y = data.iloc[:,-1]

scaler = MinMaxScaler()
scaler.fit(X)
X_scaled = scaler.transform()
selector = SelectFromModel(estimator=LassoCV (cv=5)).fit(X_scaled,y)
selector.get_support()

---

使用onehot是有问题的，因为每个类别都将被编码为二进制，并且将其输入到lasso中不允许选择作为一个整体的类别变量，我猜这就是你们想要的。你也可以看看这个

您可以使用python实现。下面我使用一个示例数据集：

import pandas as pd
import numpy as np
from sklearn.metrics import r2_score
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder

from group_lasso import GroupLasso
from group_lasso.utils import extract_ohe_groups

import scipy.sparse

data = pd.DataFrame({'cat1':np.random.choice(['A','B','C'],100),
                    'cat2':np.random.choice(['D','E','F'],100),
                    'bin1':np.random.choice([0,1],100),
                    'bin2':np.random.choice([0,1],100)})

data['y'] = 1.5*data['bin1'] + -3*data['bin2'] + 2*(data['cat1'] == 'A').astype('int') + np.random.normal(0,1,100)

定义分类和数字（二进制）列。您不需要最小-最大定标器，因为您的值是二进制的。接下来，我们对分类列进行onehot编码并提取组：

cat_columns = ['cat1','cat2']
num_columns = ['bin1','bin2']

ohe = OneHotEncoder()
onehot_data = ohe.fit_transform(data[cat_columns])
groups = extract_ohe_groups(ohe)

将numeric和onehot放在一起，您也可以将它们转换为稠密，但如果数据庞大，则可能会出现问题：

X = scipy.sparse.hstack([onehot_data,scipy.sparse.csr_matrix(data[num_columns])])
y = data['y']

同样，构建组：

groups = np.hstack([groups,len(cat_columns) + np.arange(len(num_columns))+1])
groups

运行组套索：

grpLasso = GroupLasso(groups=groups,supress_warning=True,n_iter=1000)

grpLasso.sparsity_mask_
array([ True,  True,  True, False, False, False,  True,  True])

grpLasso.chosen_groups_
{0, 3, 4}

---

还可以查看在管道中使用它的方法。

请发布您的代码