使用python将列文本数据转换为功能，以用于机器学习

Question

左侧CSV文件有五列.application列有几个用;分隔的应用程序类型。根据app，device和district类型，我想预测target。但我想先将文件转换为右侧数据框以应用机器学习。

我怎么能用python做到这一点？

Answer 1

您需要为application列应用多热编码，为其他列应用一个热编码。

这是我的解决方案！

>>> import pandas as pd
>>> import numpy as np

>>> df = pd.DataFrame({'number': np.random.randint(0,10,size=5),
                  'device': np.random.choice(['a','b'],size=5),
                  'application': ['app2;app3','app1','app2;app4', 'app1;app2', 'app1'],
                  'district': np.random.choice(['aa', 'bb', 'cc'],size=5)})

>>> df

    application device  district    number
0   app2;app3   b         aa    3
1   app1        a         cc    7
2   app2;app4   a         aa    3
3   app1;app2   b         bb    9
4   app1        a         cc    4

from sklearn.preprocessing import OneHotEncoder, MultiLabelBinarizer

lb = MultiLabelBinarizer()
# Assuming appl names are separated by ;
mhv = mlb.fit_transform(df['application'].apply(lambda x: set(x.split(';'))))
df_out = pd.DataFrame(mhv,columns=mlb.classes_)

enc = OneHotEncoder(sparse=False)
ohe_vars = ['device','district'] # specify the list of columns here
ohv = enc.fit_transform(df.loc[:,ohe_vars])
ohe_col_names = ['%s_%s'%(var,cat) for var,cats in zip(ohe_vars, enc.categories_) for cat in cats]

df_out.assign(**dict(zip(ohe_col_names,ohv.T)))

df_out

Answer 2

您可以先按照原来的方式读取csv，然后进行所有编辑。首先......

   df = pd.read_csv("data.csv")

然后获取应用程序列中的数据并将其放入列表中。然后取出列表并将其加入一个字符串并将其拆分为“;” deliminator。

   col = list(df.application)
   col_join = ";".join(col)
   col_split = col_join.split(";")

拥有该列表后，您可以循环并删除重复项...

   i=0
   while i < len(col_split):
      j=i+1
      while j < len(col_split):
           if col_split[i] == col_split[j]:
               del(col_split[j])
      else:
        j += 1
    i += 1

现在，您有一个列表，列出了可以读入数据框以用作列的所有唯一应用程序条目。