Pandalar'daki toplu sütunları toplu dönüştürme (tek etkin kodlama değil)

Scikit-learn ile karar ağacında kullanmayı planladığım tonlarca kategorik sütun içeren panda veri çerçevem ​​var. Onları sayısal değerlere dönüştürmem gerekiyor (bir sıcak vektör değil). Scikit-learn'dan LabelEncoder ile yapabilirim. Sorun çok fazla olması ve bunları manuel olarak dönüştürmek istemiyorum.

Bu süreci otomatikleştirmenin kolay bir yolu ne olurdu.

Kategorik sütunlarınız şu anda karakter / nesne ise, her birini yapmak için böyle bir şey kullanabilirsiniz:

char_cols = df.dtypes.pipe(lambda x: x[x == 'object']).index

for c in char_cols:
    df[c] = pd.factorize(df[c])[0]

Kategorilere geri dönebilmeniz gerekiyorsa, kodlamayı kaydetmek için bir sözlük oluşturacağım; gibi bir şey:

char_cols = df.dtypes.pipe(lambda x: x[x == 'object']).index
label_mapping = {}

for c in char_cols:
    df[c], label_mapping[c] = pd.factorize(df[c])

Julien'in mcve'sini kullanarak çıktı alacaksınız:

In [3]: print(df)
Out[3]: 
    a   b   c   d
0   0   0   0   0.155463
1   1   1   1   0.496427
2   0   0   2   0.168625
3   2   0   1   0.209681
4   0   2   1   0.661857

In [4]: print(label_mapping)
Out[4]:
{'a': Index(['Var2', 'Var3', 'Var1'], dtype='object'),
 'b': Index(['Var2', 'Var1', 'Var3'], dtype='object'),
 'c': Index(['Var3', 'Var2', 'Var1'], dtype='object')}

İlk olarak, oynamak için bir mcve oluşturalım :

import pandas as pd
import numpy as np

In [1]: categorical_array = np.random.choice(['Var1','Var2','Var3'],
                                             size=(5,3), p=[0.25,0.5,0.25])
        df = pd.DataFrame(categorical_array,
               columns=map(lambda x:chr(97+x), range(categorical_array.shape[1])))
        # Add another column that isn't categorical but float
        df['d'] = np.random.rand(len(df))
        print(df)

Out[1]:
      a     b     c         d
0  Var3  Var3  Var3  0.953153
1  Var1  Var2  Var1  0.924896
2  Var2  Var2  Var2  0.273205
3  Var2  Var1  Var3  0.459676
4  Var2  Var1  Var1  0.114358

Şimdi pd.get_dummies'i kullanabiliriz ilk üç sütunu kodlamak için .

drop_firstParametreleri kullandığımı unutmayın, çünkü N-1aptallar Nolasılıkları tam olarak tanımlamak için yeterlidir (örneğin: eğer a_Var2ve a_Var30 ise, o zaman a_Var1). Ayrıca, özellikle sütunları belirtiyorum ama dtype objectveya categorical(daha aşağıda) sütunları olacak gibi olmak zorunda değilim .

In [2]: df_encoded = pd.get_dummies(df, columns=['a','b', 'c'], drop_first=True)
        print(df_encoded]
Out[2]:
          d  a_Var2  a_Var3  b_Var2  b_Var3  c_Var2  c_Var3
0  0.953153       0       1       0       1       0       1
1  0.924896       0       0       1       0       0       0
2  0.273205       1       0       1       0       1       0
3  0.459676       1       0       0       0       0       1
4  0.114358       1       0       0       0       0       0

Özel uygulamanızda, Kategorik olan bir sütun listesi sağlamanız veya hangi sütunların Kategorik olduğunu çıkarmanız gerekir.

En iyi ihtimalle sizin dataframe zaten bu sütunları olan dtype=categoryve geçebildiği columns=df.columns[df.dtypes == 'category']içinget_dummies .

Aksi takdirde dtypediğer tüm sütunları uygun şekilde ayarlamanızı öneririm (ipucu: pd.to_numeric, pd.to_datetime, vb.) Ve birobject dtype bırakılır ve bunlar kategorik sütunlarınız olmalıdır.

Pd.get_dummies parametre sütunları varsayılan olarak aşağıdaki gibidir:

columns : list-like, default None
    Column names in the DataFrame to be encoded.
    If `columns` is None then all the columns with
    `object` or `category` dtype will be converted.

Bir kerede birden çok sütun türlerini dönüştürmek için böyle bir şey kullanırdım:

df2 = df.select_dtypes(include = ['type_of_insterest'])

df2[df2.columns].apply(lambda x:x.astype('category'))

Sonra onlara geri katılırdım original df.