Python Sci-Kit Learn：多标签分类ValueError：无法将字符串转换为浮点数。

Question

我将尝试使用sci-kit learn 0.17进行多标签分类，我的数据如下：

训练

Col1                  Col2
asd dfgfg             [1,2,3]
poioi oiopiop         [4]

测试

Col1                    
asdas gwergwger    
rgrgh hrhrh

我的代码到目前为止

import numpy as np
from sklearn import svm, datasets
from sklearn.metrics import precision_recall_curve
from sklearn.metrics import average_precision_score
from sklearn.cross_validation import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier

def getLabels():
    traindf = pickle.load(open("train.pkl","rb"))
    X = traindf['Col1']
    y = traindf['Col2']

    # Binarize the output
    from sklearn.preprocessing import MultiLabelBinarizer  
    y=MultiLabelBinarizer().fit_transform(y)      

    random_state = np.random.RandomState(0)


    # Split into training and test
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5,
                                                        random_state=random_state)

    # Run classifier
    from sklearn import svm, datasets
    classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True,
                                     random_state=random_state))
    y_score = classifier.fit(X_train, y_train).decision_function(X_test)

但现在我获得

ValueError: could not convert string to float: <value of Col1 here>

on

y_score = classifier.fit(X_train, y_train).decision_function(X_test) 

我需要将X也二值化吗？为什么需要将X维度转换为浮点数？

- AbtPst

---

你似乎正在使用传统的多标签数据表示方式。不再支持序列嵌套; 请改用二进制数组或稀疏矩阵。- 你看到了吗？ - Martin Thoma

如何将我的标签转换为二进制数组？ - AbtPst

这不是同一个问题吗？点击此处。 - erip

几乎了解了，但我这里没有使用逻辑回归。 - AbtPst

Answer 1

是的，您必须将X和y转换为数字表示（不一定是二进制），因为所有机器学习方法都是基于数字矩阵进行操作的。

如何准确地做到这一点？如果Col1中的每个样本都可以包含不同的单词（即它代表某些文本）- 您可以使用CountVectorizer来转换该列。

from sklearn.feature_extraction.text import CountVectorizer

col1 = ["cherry banana", "apple appricote", "cherry apple", "banana apple appricote cherry apple"]

cv = CountVectorizer()
cv.fit_transform(col1) 
#<4x4 sparse matrix of type '<class 'numpy.int64'>'
#   with 10 stored elements in Compressed Sparse Row format>

cv.fit_transform(col1).toarray()
#array([[0, 0, 1, 1],
#       [1, 1, 0, 0],
#       [1, 0, 0, 1],
#       [2, 1, 1, 1]], dtype=int64)

- Ibraim Ganiev