轉載請註明出處:https://leytton.blog.csdn.net/article/details/101350667
如果本文對您有所幫助,請點個贊讓我知道哦 😃
在本教程中,你將瞭解什麼是分類變量,以及處理這類數據的三種方法。
1、介紹
分類變量類似於枚舉,擁有特定數量的值類型。
-
比如一項調查,詢問你多久喫一次早餐,並提供四個選項:“從不”、“很少”、“大多數日子”或“每天”。在本例中,數據是分類的,因爲答案屬於一組固定的類別。
-
如果對人們所擁有的汽車品牌進行調查,回答可以分爲“本田”、“豐田”和“福特”。在本例中,數據也是分類的。
如果您沒有預處理這些分類變量,就將這些變量應用於機器學習模型中,大多數情況您將得到一個錯誤結果。在本教程中,我們將比較三種預處理分類數據的方法。
2、三種方法
1) 刪除分類變量
處理分類變量最簡單的方法是從數據集中刪除它們。這種方法適用於該列中不包含有用信息的情況。
2) 標籤編碼
標籤編碼將每個變量類型標記爲不同的整數。
這種方法假設類別的順序爲:“Never”(0)<“rare”(1)<“Most days”(2)<“Every day”(3)。
在本例中,這個假設是有意義的,因爲對類別有個唯一的排名。 並不是所有的分類變量在值中都有一個明確的順序,但是我們將那些有順序的變量稱爲有序變量
。對於基於樹的模型(如決策樹和隨機森林),有序變量的標籤編碼可能效果不錯。
3) One-Hot 編碼
“One-hot”編碼創建新列,表明原始數據中每個可能值的存在(或不存在)。爲了說明這點,我們舉個例子:
在原始數據集中,“Color”是一個分類變量,包含“Red”、“Yellow”和“Green”三個類別。對應的one-hot編碼
是每個可能的值各自作爲一列,原始數據集中的每一行作爲一行。當原始值爲“Red”時,我們在“Red”列中放入1;如果原始值是“Yellow”,則在“Yellow”列中放入1,以此類推。
與標籤編碼
不同,one-hot編碼
不假定類別的順序。因此,如果在分類數據中沒有明確的順序(例如,“紅色”既不比“黃色”多也不比“黃色”少),這種方法可能會特別有效。我們把沒有內在排序的分類變量稱爲名義變量
。
如果分類變量具有大量不同的值(超過15個),效果將不會很好。
3、案例
像前一篇教程一樣,我們將使用 Melbourne Housing數據集。
我們不會關注數據加載步驟。假設您已經擁有了X_train
、X_valid
、y_train
和y_valid
中的訓練和驗證數據。
import pandas as pd
from sklearn.model_selection import train_test_split
# Read the data
data = pd.read_csv('../input/melbourne-housing-snapshot/melb_data.csv')
# Separate target from predictors
y = data.Price
X = data.drop(['Price'], axis=1)
# Divide data into training and validation subsets
X_train_full, X_valid_full, y_train, y_valid = train_test_split(X, y, train_size=0.8, test_size=0.2,
random_state=0)
# Drop columns with missing values (simplest approach)
cols_with_missing = [col for col in X_train_full.columns if X_train_full[col].isnull().any()]
X_train_full.drop(cols_with_missing, axis=1, inplace=True)
X_valid_full.drop(cols_with_missing, axis=1, inplace=True)
# "Cardinality" means the number of unique values in a column
# Select categorical columns with relatively low cardinality (convenient but arbitrary)
low_cardinality_cols = [cname for cname in X_train_full.columns if X_train_full[cname].nunique() < 10 and
X_train_full[cname].dtype == "object"]
# Select numerical columns
numerical_cols = [cname for cname in X_train_full.columns if X_train_full[cname].dtype in ['int64', 'float64']]
# Keep selected columns only
my_cols = low_cardinality_cols + numerical_cols
X_train = X_train_full[my_cols].copy()
X_valid = X_valid_full[my_cols].copy()
我們使用下面的head()
方法查看訓練數據。
X_train.head()
輸出結果:
Type Method Regionname Rooms Distance Postcode Bedroom2 Bathroom Landsize Lattitude Longtitude Propertycount
12167 u S Southern Metropolitan 1 5.0 3182.0 1.0 1.0 0.0 -37.85984 144.9867 13240.0
6524 h SA Western Metropolitan 2 8.0 3016.0 2.0 2.0 193.0 -37.85800 144.9005 6380.0
8413 h S Western Metropolitan 3 12.6 3020.0 3.0 1.0 555.0 -37.79880 144.8220 3755.0
2919 u SP Northern Metropolitan 3 13.0 3046.0 3.0 1.0 265.0 -37.70830 144.9158 8870.0
6043 h S Western Metropolitan 3 13.3 3020.0 3.0 1.0 673.0 -37.76230 144.8272 4217.0
接下來,我們獲得訓練數據中所有分類變量的列。
我們通過檢查每個列的數據類型(或dtype
)來做到這一點。object
類型表示改列存在文本(理論上它還可以是其他東西,但對於我們的目的來說並不重要)。對於這個數據集,帶有文本的列表示分類變量。
# Get list of categorical variables
s = (X_train.dtypes == 'object')
object_cols = list(s[s].index)
print("Categorical variables:")
print(object_cols)
輸出結果:
Categorical variables:
['Type', 'Method', 'Regionname']
定義函數來評估每種方法的效果
我們定義了一個函數score_dataset()
來比較處理分類變量的不同方法。該函數計算隨機森林模型
的平均絕對誤差(MAE)
。一般來說,我們希望MAE
越低越好!
方法1的得分(刪除分類變量)
我們使用select_dtypes()
方法刪除對象列。
drop_X_train = X_train.select_dtypes(exclude=['object'])
drop_X_valid = X_valid.select_dtypes(exclude=['object'])
print("MAE from Approach 1 (Drop categorical variables):")
print(score_dataset(drop_X_train, drop_X_valid, y_train, y_valid))
MAE from Approach 1 (Drop categorical variables):
175703.48185157913
方法2的得分(標籤編碼)
Scikit-learn
有一個LabelEncoder
類,可以用來獲取標籤編碼。我們循環遍歷分類變量,並將標籤編碼器分別應用於每一列。
from sklearn.preprocessing import LabelEncoder
# 複製一份數據防止改變源數據
label_X_train = X_train.copy()
label_X_valid = X_valid.copy()
# 將標籤編碼器分別應用於每一列
label_encoder = LabelEncoder()
for col in object_cols:
label_X_train[col] = label_encoder.fit_transform(X_train[col])
label_X_valid[col] = label_encoder.transform(X_valid[col])
print("MAE from Approach 2 (Label Encoding):")
print(score_dataset(label_X_train, label_X_valid, y_train, y_valid))
MAE from Approach 2 (Label Encoding):
165936.40548390493
在上面的代碼中,對於每個列,我們隨機分配一個唯一整數。這是一種比提供自定義標籤更簡單的常見方法;然而,如果我們爲所有有序變量提供更好的信息標籤,效果會更好。
方法3的得分((One-Hot編碼)
我們使用scikit-learn
的OneHotEncoder
類來獲得one-hot編碼
。有許多參數可定義。
- 設置
handle_unknown='ignore'
,以避免在驗證數據包含訓練數據中沒有包括的值時發生錯誤 - 設置
sparse=False
可以確保將已編碼的列作爲numpy數組
(而不是稀疏矩陣)返回。
爲了使用這個編碼器,我們提供了只有分類變量的數據列。舉例來說,爲了對訓練數據進行編碼,我們提供了X_train[object_cols]
(代碼中的object_cols
表示分類變量名稱,X_train[object_cols]
包含了訓練數據的所有分類變量)。
from sklearn.preprocessing import OneHotEncoder
# 將one-hot編碼器分別應用於每一列分類變量
OH_encoder = OneHotEncoder(handle_unknown='ignore', sparse=False)
OH_cols_train = pd.DataFrame(OH_encoder.fit_transform(X_train[object_cols]))
OH_cols_valid = pd.DataFrame(OH_encoder.transform(X_valid[object_cols]))
# One-hot編碼時移除了index;補回來
OH_cols_train.index = X_train.index
OH_cols_valid.index = X_valid.index
# 刪除分類列(將替換爲One-hot編碼),留下編碼列
num_X_train = X_train.drop(object_cols, axis=1)
num_X_valid = X_valid.drop(object_cols, axis=1)
# 向數值特徵添加One-hot編碼列
OH_X_train = pd.concat([num_X_train, OH_cols_train], axis=1)
OH_X_valid = pd.concat([num_X_valid, OH_cols_valid], axis=1)
print("MAE from Approach 3 (One-Hot Encoding):")
print(score_dataset(OH_X_train, OH_X_valid, y_train, y_valid))
輸出結果:
MAE from Approach 3 (One-Hot Encoding):
166089.4893009678
4、哪種方法最好?
在本案例中,刪除分類變量
(方法1)的性能最差,因爲它有最高的MAE
分數。至於另外兩種方法,由於返回的MAE
分數值非常接近,沒有太大差異。
通常,one-hot編碼
(方法3)的效果最好,刪除分類變量
(方法1)的效果最差,但還得視情況而定。
5、結論
這個世界充滿了分類數據。如果您知道如何使用這種常見的數據類型,您將成爲一個更高效的數據科學家!
6、去吧,皮卡丘
把你的新技能運用到下面的練習中!
原文:
https://www.kaggle.com/alexisbcook/categorical-variables