Konversi massal kolom kategorikal dalam Pandas (bukan penyandian satu panas)

Saya memiliki bingkai data panda dengan banyak kolom kategori, yang saya rencanakan untuk digunakan di pohon keputusan dengan scikit-belajar. Saya perlu mengubahnya menjadi nilai numerik (bukan satu vektor panas). Saya dapat melakukannya dengan LabelEncoder dari scikit-learn. Masalahnya ada terlalu banyak, dan saya tidak ingin mengonversinya secara manual.

Apa yang akan menjadi cara mudah untuk mengotomatisasi proses ini.

Jika kolom kategorikal Anda saat ini adalah karakter / objek, Anda dapat menggunakan sesuatu seperti ini untuk melakukan masing-masing:

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

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

Jika Anda harus dapat kembali ke kategori saya akan membuat kamus untuk menyimpan pengodean; sesuatu seperti:

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])

Menggunakan Julien mcve akan menampilkan:

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')}

Pertama, mari kita buat mcve untuk dimainkan:

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

Sekarang kita bisa menggunakan pd.get_dummies untuk menyandikan tiga kolom pertama.

Perhatikan bahwa saya menggunakan drop_firstparameter karena N-1boneka sudah cukup untuk sepenuhnya menggambarkan Nkemungkinan (misalnya: jika a_Var2dan a_Var30, maka itu a_Var1). Juga, saya secara spesifik menentukan kolom tetapi saya tidak harus karena akan menjadi kolom dengan dtype baik objectatau categorical(lebih banyak di bawah).

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

Dalam aplikasi spesifik Anda, Anda harus memberikan daftar kolom yang Kategorikal, atau Anda harus menyimpulkan kolom mana yang Kategorikal.

Skenario terbaik dataframe Anda sudah memiliki kolom ini dengan dtype=categorydan Anda dapat melewati columns=df.columns[df.dtypes == 'category']ke get_dummies.

Kalau tidak, saya sarankan untuk mengatur dtypesemua kolom lainnya sesuai (petunjuk: pd.to_numeric, pd.to_datetime, dll) dan Anda akan dibiarkan dengan kolom yang memiliki objectdtype dan ini harus menjadi kolom kategori Anda.

Kolom parameter pd.get_dummies default sebagai berikut:

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.

Untuk mengonversi jenis beberapa kolom sekaligus saya akan menggunakan sesuatu seperti ini:

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

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

Lalu aku akan bergabung dengan mereka kembali original df.