Kaggle|Courses|Categorical Variables

主要講述了如何處理分類型變量,直接上代碼惋鸥。

# Get list of categorical variables
s = (X_train.dtypes == 'object')  #判斷類別是否為分類型變量的series
object_cols = list(s[s].index) #s[s]就是找出結(jié)果為真的series碰逸,最后得出對應(yīng)的索引列表,即分類變量的名稱

print("Categorical variables:")
print(object_cols)

定義打分函數(shù),使用MAE來評價(jià)不同方法的分?jǐn)?shù)脑漫。

from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

# Function for comparing different approaches
def score_dataset(X_train, X_valid, y_train, y_valid):
    model = RandomForestRegressor(n_estimators=100, random_state=0)
    model.fit(X_train, y_train)
    preds = model.predict(X_valid)
    return mean_absolute_error(y_valid, preds)

Score from Approach 1 (Drop Categorical Variables)[刪除分類型變量]

(https://www.kaggle.com/alexisbcook/categorical-variables#Score-from-Approach-1-(Drop-Categorical-Variables))

We drop the object columns with the select_dtypes() method.

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))

Score from Approach 2 (Label Encoding)[類別編碼]

Scikit-learn has a LabelEncoder class that can be used to get label encodings. We loop over the categorical variables and apply the label encoder separately to each column.對分類型變量進(jìn)行遍歷髓抑,并對每個(gè)列分別使用標(biāo)簽編碼。

from sklearn.preprocessing import LabelEncoder

# Make copy to avoid changing original data 為避免更改原始數(shù)據(jù)創(chuàng)建副本
label_X_train = X_train.copy()
label_X_valid = X_valid.copy()

# Apply label encoder to each column with categorical data 
label_encoder = LabelEncoder()  #實(shí)例化方法
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))

在上面的代碼塊中优幸,我們把一個(gè)唯一整數(shù)隨機(jī)分配給每一列的不同類別吨拍,這是一種常用方法,比自定義標(biāo)簽更簡單网杆,但是羹饰,如果我們能為有序的分類變量提供靈活的標(biāo)簽,預(yù)期性能會進(jìn)一步提高碳却。

Score from Approach 3 (One-Hot Encoding)?

We use the OneHotEncoder class from scikit-learn to get one-hot encodings. There are a number of parameters that can be used to customize its behavior.

  • We set handle_unknown='ignore' to avoid errors when the validation data contains classes that aren't represented in the training data, and
  • setting sparse=False ensures that the encoded columns are returned as a numpy array (instead of a sparse matrix).當(dāng)驗(yàn)證數(shù)據(jù)集中包含訓(xùn)練數(shù)據(jù)中未表示的類別時(shí)队秩,設(shè)置以避免錯(cuò)誤,并設(shè)置可以確保one-hot編碼作為np數(shù)組返回而非稀疏矩陣昼浦。

To use the encoder, we supply only the categorical columns that we want to be one-hot encoded. For instance, to encode the training data, we supply X_train[object_cols]. (object_cols in the code cell below is a list of the column names with categorical data, and so X_train[object_cols] contains all of the categorical data in the training set.)要使用編碼器馍资,我們僅需提供我們想要被one-hot編碼的分類列。例如本例我們提供X_train[object_cols]

from sklearn.preprocessing import OneHotEncoder

# Apply one-hot encoder to each column with categorical data
OH_encoder = OneHotEncoder(handle_unknown='ignore', sparse=False)
#handle_unknown='ignore'為了避免驗(yàn)證集中出現(xiàn)訓(xùn)練集中未出現(xiàn)的類
#sparse=False 確保編碼列作為numpy數(shù)組而非稀疏矩陣返回
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 encoding removed index; put it back【OH編碼會移除行索引关噪,恢復(fù)索引】
OH_cols_train.index = X_train.index
OH_cols_valid.index = X_valid.index

# Remove categorical columns (will replace with one-hot encoding)移除分類列(將使用OH編碼代替)剩余為數(shù)量型變量 num_X
num_X_train = X_train.drop(object_cols, axis=1)
num_X_valid = X_valid.drop(object_cols, axis=1)

# Add one-hot encoded columns to numerical features 將OH編碼添加至數(shù)量型變量鸟蟹,現(xiàn)在的OH_X包含了數(shù)量型變量和OH編碼過的分類型變量
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))

Which approach is best?

In this case, dropping the categorical columns (Approach 1) performed worst, since it had the highest MAE score. As for the other two approaches, since the returned MAE scores are so close in value, there doesn't appear to be any meaningful benefit to one over the other.

In general, one-hot encoding (Approach 3) will typically perform best, and dropping the categorical columns (Approach 1) typically performs worst, but it varies on a case-by-case basis.

Conclusion

The world is filled with categorical data. You will be a much more effective data scientist if you know how to use this common data type!

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市使兔,隨后出現(xiàn)的幾起案子建钥,更是在濱河造成了極大的恐慌,老刑警劉巖虐沥,帶你破解...
    沈念sama閱讀 211,290評論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件熊经,死亡現(xiàn)場離奇詭異,居然都是意外死亡欲险,警方通過查閱死者的電腦和手機(jī)奈搜,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,107評論 2 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來盯荤,“玉大人馋吗,你說我怎么就攤上這事∏锍樱” “怎么了宏粤?”我有些...
    開封第一講書人閱讀 156,872評論 0 347
  • 文/不壞的土叔 我叫張陵脚翘,是天一觀的道長。 經(jīng)常有香客問我绍哎,道長来农,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,415評論 1 283
  • 正文 為了忘掉前任崇堰,我火速辦了婚禮沃于,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘海诲。我一直安慰自己繁莹,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,453評論 6 385
  • 文/花漫 我一把揭開白布特幔。 她就那樣靜靜地躺著咨演,像睡著了一般。 火紅的嫁衣襯著肌膚如雪蚯斯。 梳的紋絲不亂的頭發(fā)上薄风,一...
    開封第一講書人閱讀 49,784評論 1 290
  • 那天,我揣著相機(jī)與錄音拍嵌,去河邊找鬼遭赂。 笑死,一個(gè)胖子當(dāng)著我的面吹牛横辆,可吹牛的內(nèi)容都是我干的嵌牺。 我是一名探鬼主播,決...
    沈念sama閱讀 38,927評論 3 406
  • 文/蒼蘭香墨 我猛地睜開眼龄糊,長吁一口氣:“原來是場噩夢啊……” “哼盏道!你這毒婦竟也來了挥吵?” 一聲冷哼從身側(cè)響起逝嚎,我...
    開封第一講書人閱讀 37,691評論 0 266
  • 序言:老撾萬榮一對情侶失蹤蔓榄,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后他嚷,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體蹋绽,經(jīng)...
    沈念sama閱讀 44,137評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,472評論 2 326
  • 正文 我和宋清朗相戀三年筋蓖,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了卸耘。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,622評論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡粘咖,死狀恐怖蚣抗,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情瓮下,我是刑警寧澤翰铡,帶...
    沈念sama閱讀 34,289評論 4 329
  • 正文 年R本政府宣布钝域,位于F島的核電站,受9級特大地震影響锭魔,放射性物質(zhì)發(fā)生泄漏例证。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,887評論 3 312
  • 文/蒙蒙 一迷捧、第九天 我趴在偏房一處隱蔽的房頂上張望织咧。 院中可真熱鬧,春花似錦漠秋、人聲如沸笙蒙。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,741評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽手趣。三九已至晌该,卻和暖如春肥荔,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背朝群。 一陣腳步聲響...
    開封第一講書人閱讀 31,977評論 1 265
  • 我被黑心中介騙來泰國打工燕耿, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人姜胖。 一個(gè)月前我還...
    沈念sama閱讀 46,316評論 2 360
  • 正文 我出身青樓誉帅,卻偏偏與公主長得像,于是被迫代替她去往敵國和親右莱。 傳聞我的和親對象是個(gè)殘疾皇子蚜锨,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,490評論 2 348

推薦閱讀更多精彩內(nèi)容