DictVectorizer識別功能作爲字符串

Question

已被編碼爲整數，我通過DictVectorizer（0.14）運行字典有特定的分類值的列表：

> dictionary_list[0:2] 

日期：

[{u'Life': 3377, u'SerumX': 1015, u'duration': 3, u'gene_name': 37}, 
{u'Life': 11655, u'SerumX': 1913, u'duration': 3, u'gene_name': 1}] 

vec = DictVectorizer(sparse=False)
X = vec.fit_transform(dictionary_list)

例如，基因APC，AXIN1，BLM可以通過一些任意方法編碼爲37,1,15。也就是說，這些數字是不是有些NLP表達式中的字符/ n元語法等

我目前正在更新此名單爲重點「gene_name」值轉換從int到海峽內http://stardict.sourceforge.net/Dictionaries.php下載：

for dicts in dictionary_list: 
    dicts.update((k, str(v)) for k, v in dicts.iteritems() if k == 'gene_name') 

> dictionary_list[0:2] 

輸出：

[{u'Life': 3377, u'SerumX': 1015, u'duration': 3, u'gene_name': '37'}, 
{u'Life': 11655, u'SerumX': 1913, u'duration': 3, u'gene_name': '1'}] 

我期待優化速度，避免在通過DictVectorizer傳遞之前更新字典。我很好奇，如果有一種方法可以將我的列表傳遞給DictVectorizer，我可以通過這種方式將'gene_name'的值強制爲一個字符串來利用內置的編碼。

非常感謝scikit-learn團隊的出色工作。

Answer 1

我想你可以加快速度一點，如果你改變你的代碼，類似

for dct in dictionary_list: 
    if 'gene_name' in dct: 
     dct['gene_name'] = str(dct['gene_name']) 

我認爲你不能強迫從值的字符串脫身，因爲DictVectorizer使用isinstance(value, six.string_types)作爲條件來篩選提供數據中的分類值。

Answer 2

如果我理解你的代碼的權利，你循環所有的關鍵，看看他們之一是否"gene_name"我猜你正在這樣做，因爲不是所有的字典可能有這個關鍵。

如果你做的事：

for dic in records_list: 
    if 'gene_name' in dic: 
     dic.update({ 'gene_name' , str(dic['gene_name']) }) 

你只能訪問你想改變的關鍵。