如何創建虛擬變量，然後使用scikit-learn進行聚合？

Question

我知道使用包熊貓可以很容易地實現它，但是因爲它太稀疏和很大（170,000 x 5000），最後我需要使用sklearn來處理數據，我想知道是否有是sklearn的一種方法。我嘗試了一種熱門編碼器，但卻被卡在「id」上。

df = pd.DataFrame({'id': [1, 1, 2, 2, 3, 3], 'item': ['a', 'a', 'c', 'b', 'a', 'b']}) 

    id item 
0 1 a 
1 1 a 
2 2 c 
3 2 b 
4 3 a 
5 3 b 

dummy = pd.get_dummies(df, prefix='item', columns=['item']) 
dummy.groupby('id').sum().reset_index() 

    id item_a item_b item_c 
0 1  2  0  0 
1 2  0  1  1 
2 3  1  1  0 

更新：

現在我在這裏，和「身份證」丟失，怎麼辦聚集呢？

lab = sklearn.preprocessing.LabelEncoder() 
labels = lab.fit_transform(np.array(df.item)) 
enc = sklearn.preprocessing.OneHotEncoder() 
dummy = enc.fit_transform(labels.reshape(-1,1)) 

dummy.todense() 

matrix([[ 1., 0., 0.], 
     [ 1., 0., 0.], 
     [ 0., 0., 1.], 
     [ 0., 1., 0.], 
     [ 1., 0., 0.], 
     [ 0., 1., 0.]]) 

Answer 1

如果有人需要在未來的參考，我把我的解決方案在這裏。 我用scipy稀疏矩陣。

首先，做一個分組並統計記錄的數量。

df = df.groupby(['id','item']).size().reset_index().rename(columns={0:'count'}) 

這需要一些時間，但不是幾天。

然後使用數據透視表，我發現一個解決方案here。

from scipy.sparse import csr_matrix 

def to_sparse_pivot(df, id, item, count): 
    id_u = list(df[id].unique()) 
    item_u = list(np.sort(df[item].unique())) 
    data = df[count].tolist() 
    row = df[id].astype('category', categories=id_u).cat.codes 
    col = df[item].astype('category', categories=item_u).cat.codes 
    return csr_matrix((data, (row, col)), shape=(len(id_u), len(item_u))) 

然後調用函數

result = to_sparse_pivot(df, 'id', 'item', 'count') 

Answer 2

OneHotEncoder需要整數，所以這裏有一種方法可以將您的項目映射到唯一的整數。因爲映射是一對一的，我們也可以反轉這個字典。

import pandas as pd 
from sklearn.preprocessing import OneHotEncoder 

df = pd.DataFrame({'ID': [1, 1, 2, 2, 3, 3], 
        'Item': ['a', 'a', 'c', 'b', 'a', 'b']}) 

mapping = {letter: integer for integer, letter in enumerate(df.Item.unique())} 
reverse_mapping = {integer: letter for letter, integer in mapping.iteritems()} 

>>> mapping 
{'a': 0, 'b': 2, 'c': 1} 

>>> reverse_mapping 
{0: 'a', 1: 'c', 2: 'b'} 

現在創建一個OneHotEncoder並映射您的值。

hot = OneHotEncoder() 
h = hot.fit_transform(df.Item.map(mapping).values.reshape(len(df), 1)) 
>>> h 
<6x3 sparse matrix of type '<type 'numpy.float64'>' 
    with 6 stored elements in Compressed Sparse Row format> 
>>> h.toarray() 
array([[ 1., 0., 0.], 
     [ 1., 0., 0.], 
     [ 0., 1., 0.], 
     [ 0., 0., 1.], 
     [ 1., 0., 0.], 
     [ 0., 0., 1.]]) 

以供參考，這將是適當的列：

>>> [reverse_mapping[n] for n in reverse_mapping.keys()] 
['a', 'c', 'b'] 

從你的數據，你可以看到，在數據幀值c是排在第三（與索引值2）。這已映射到c，您可以從反向映射中看到中間的列。它也是矩陣中間列中唯一包含值1的值，用於確認結果。

除此之外，我不確定你會卡在哪裏。如果您仍有問題，請澄清。

要連接的ID值：

>>> np.concatenate((df.ID.values.reshape(len(df), 1), h.toarray()), axis=1) 
array([[ 1., 1., 0., 0.], 
     [ 1., 1., 0., 0.], 
     [ 2., 0., 1., 0.], 
     [ 2., 0., 0., 1.], 
     [ 3., 1., 0., 0.], 
     [ 3., 0., 0., 1.]]) 

爲了保持陣列稀疏：

from scipy.sparse import hstack, lil_matrix 

id_vals = lil_matrix(df.ID.values.reshape(len(df), 1)) 
h_dense = hstack([id_vals, h.tolil()]) 
>>> type(h_dense) 
scipy.sparse.coo.coo_matrix 

>>> h_dense.toarray() 
array([[ 1., 1., 0., 0.], 
     [ 1., 1., 0., 0.], 
     [ 2., 0., 1., 0.], 
     [ 2., 0., 0., 1.], 
     [ 3., 1., 0., 0.], 
     [ 3., 0., 0., 1.]])