我希望对我数据集中的10个特征中的3个分类特征进行编码。我使用sklearn.preprocessing中的preprocessing来实现：
from sklearn import preprocessing
cat_features = ['color', 'director_name', 'actor_2_name']
enc = preprocessing.OneHotEncoder(categorical_features=cat_features)
enc.fit(dataset.values)
然而，由于出现了以下错误，我无法继续进行：
array = np.array(array, dtype=dtype, order=order, copy=copy)
ValueError: could not convert string to float: PG
我很惊讶为什么它会抱怨这个字符串，因为它应该将其转换！我有什么遗漏吗？
如果你阅读 OneHotEncoder 的文档，你会看到 fit 的输入是 "Input array of type int"。因此，对于你的独热编码数据，你需要执行两个步骤。
from sklearn import preprocessing
cat_features = ['color', 'director_name', 'actor_2_name']
enc = preprocessing.LabelEncoder()
enc.fit(cat_features)
new_cat_features = enc.transform(cat_features)
print new_cat_features # [1 2 0]
new_cat_features = new_cat_features.reshape(-1, 1) # Needs to be the correct shape
ohe = preprocessing.OneHotEncoder(sparse=False) #Easier to read
print ohe.fit_transform(new_cat_features)
输出:
[[ 0. 1. 0.]
[ 0. 0. 1.]
[ 1. 0. 0.]]
编辑
从0.20版本开始，这变得更加容易了，不仅因为OneHotEncoder现在可以很好地处理字符串，而且还因为我们可以使用ColumnTransformer轻松地转换多个列，下面是一个例子。
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
import numpy as np
X = np.array([['apple', 'red', 1, 'round', 0],
['orange', 'orange', 2, 'round', 0.1],
['bannana', 'yellow', 2, 'long', 0],
['apple', 'green', 1, 'round', 0.2]])
ct = ColumnTransformer(
[('oh_enc', OneHotEncoder(sparse=False), [0, 1, 3]),], # the column numbers I want to apply this to
remainder='passthrough' # This leaves the rest of my columns in place
)
print(ct2.fit_transform(X)) # Notice the output is a string
输出：
[['1.0' '0.0' '0.0' '0.0' '0.0' '1.0' '0.0' '0.0' '1.0' '1' '0']
['0.0' '0.0' '1.0' '0.0' '1.0' '0.0' '0.0' '0.0' '1.0' '2' '0.1']
['0.0' '1.0' '0.0' '0.0' '0.0' '0.0' '1.0' '1.0' '0.0' '2' '0']
['1.0' '0.0' '0.0' '1.0' '0.0' '0.0' '0.0' '0.0' '1.0' '1' '0.2']]
cat_features = ['color', 'director_name', 'actor_2_name']
encoder = LabelBinarizer()
new_cat_features = encoder.fit_transform(cat_features)
new_cat_features
如果数据集是以pandas数据框的形式存在，使用
pandas.get_dummies
会更加直接。
*已更正为pandas.get_dummies。
来自文档:
categorical_features : “all” or array of indices or mask
Specify what features are treated as categorical.
‘all’ (default): All features are treated as categorical.
array of indices: Array of categorical feature indices.
mask: Array of length n_features and with dtype=bool.
pandas数据框的列名不起作用。如果您的分类特征是列号0、2和6，请使用以下代码：
from sklearn import preprocessing
cat_features = [0, 2, 6]
enc = preprocessing.OneHotEncoder(categorical_features=cat_features)
enc.fit(dataset.values)
需要注意的是，如果这些分类特征未进行标签编码，则在使用OneHotEncoder之前，您需要使用LabelEncoder对这些特征进行编码。
@Medo,
我遇到了相同的问题，感到非常沮丧。正如其他人所指出的，Scikit-Learn要求在考虑选择categorical_features参数提供的列之前，所有数据都必须是数字形式。
具体来说，列选择是由/sklearn/preprocessing/data.py中的_transform_selected()方法处理的，该方法的第一行是
X = check_array(X, accept_sparse='csc', copy=copy, dtype=FLOAT_DTYPES)。
如果提供的数据框架X中的任何数据无法成功转换为浮点数，则此检查失败。
我认为sklearn.preprocessing.OneHotEncoder的文档在这方面非常误导。
如果像我一样，你对此感到沮丧，那么有一个简单的解决方法。只需使用Category Encoders' OneHotEncoder。这是一个Sklearn Contrib包，因此与scikit-learn API非常兼容。
这可以直接替换，并为您执行无聊的标签编码。
from category_encoders import OneHotEncoder
cat_features = ['color', 'director_name', 'actor_2_name']
enc = OneHotEncoder(categorical_features=cat_features)
enc.fit(dataset.values)
X = pd.DataFrame([['apple', 'red', 1, 'round', 0], ...与ct = ColumnTransformer([('oh_enc', OneHotEncoder(sparse=False), [0, 1])], ...一起使用会产生混合输出：[[1.0 0.0 0.0 0.0 0.0 1.0 0.0 1 'round' 0.0]...- Sebastian Kropp