利用pandas将非数值数据转换成数值的方式

脚本专栏 2024/11/25 佚名

3 2 1

handle non numerical data

举个例子，将性别属性男女转换成0-1，精通ML的小老弟们可以略过本文~~，

这里不考虑稀疏向量的使用，仅提供一些思路。本来想直接利用pandas的DataFrame.iloc加上for循环直接转换，但试过一遍之后，原数据并有改变。。。。蛋疼写了一个比较菜的函数，如下。

# 非数值列处理函数
def handel_non_numerical_data(df,name): #----------------name是需要处理的列名称(str)，暂不考虑列表
 nrows = len(df[name])  #----------------数据集的行数
 old_col = df.columns.tolist() #----------------初始的列名集合
 name_index = old_col.index(name) #---------要处理的列的在数据集中的索引值
 name_data = df[name].values.tolist()#-----------将要处理烦人列复制成一个列表
 df.drop([name],axis =1,inplace =True) 
 unique_kinds = set(name_data)
 convert_dict = {}; x = 0   #构造对应种类数值转化字典
 for i in unique_kinds:
 convert_dict[i] = x
 x += 1
 def convert(val):
 return convert_dict[val] 
 name_data = list(map(convert,name_data))#利用map函数直接迭代转化
 
 new_col = df.columns.tolist()
 new_col.insert(name_index,name)
 df.reindex(columns = new_col) #----------------重构数据的列
 df[name] = name_data

跑了一遍没有出错，注意这只是baseline…，如果对数值有要求的话，需要自行改动

原本是想直接用youtube上sentdex老哥ml35期视频里的代码的，但发现了几个较为严重的bug，而且总是运行出错，如下

def handle_non_numerical_data(df):
 columns = df.columns.values
 for column in columns:
 text_digit_vals = {}
 def convert_to_int(val):
  return text_digit_vals[val]
 if df[column].dtype != np.int64 and df[column].dtype != np.float64:
  column_content = df[column].values.tolist()
  unique_elements = set(column_content)
  print(unique_elements)
  x =0
  for unique in unique_elements:
  if unique not in text_digit_vals:
   text_digit_vals[unique] = x
   x+=1
 df[column] = list(map(convert_to_int,df[column]))

可见，非常暴力，注意到他的if条件，有的数据集中会出现字母数字组合的情况【会出现dtype=object的情况】，set之后种类会草鸡多…，这样的话数值转换也就失去了意义【当然，如果你的样本量是亿级的，几千几百个种类无所谓我也无fuck说，这种情况我认为必须使用稀疏向量了】，另外这个代码一直报错，不知道为什么，有兴趣的老哥可以复制跑一下帮我解答一下。。。

---------------------------2019-08-21分割：

https://www.kaggle.com/nroman/recursive-feature-elimination

LabelEncoder方法

from sklearn.preprocessing import LabelEncoder