我有一个字典列表,我使用 scikit-learn
中的 DictVectorizer
将其转换为矢量表示
from sklearn.feature_extraction import DictVectorizer
vec = DictVectorizer()
dictvector = D = [{'foo': 'city1', 'bar': 2, 'label':'c1'}, {'foo': 'city2', 'baz': 1, 'label':'c2'}]
dictVector = vec.fit_transform(dictList)
现在,我想从每一行中提取特征“标签”的所有元组的值,然后将它们从向量中移除。这将有助于将向量用作 scikit
中决策树分类器的输入,并将相应的标签用作分类器的基本事实。
但是当我尝试将特征名称称为字典键时。我被要求只使用整数而不是字符串。如何解决?
最佳答案
带有 DictVectorizer
的特征被映射到 numpy数组,将特征表示为 NxM
数字矩阵(字典已丢失)。但是,DictVectorizer
类在内部保留了映射函数,您可以使用 .inverse_transform
恢复它。来自 DictVectorizer 的文档:
from sklearn.feature_extraction import DictVectorizer
>>> v = DictVectorizer(sparse=False)
>>> D = [{'foo': 1, 'bar': 2}, {'foo': 3, 'baz': 1}]
>>> X = v.fit_transform(D)
>>> X
array([[ 2., 0., 1.],
[ 0., 1., 3.]])
>>> v.inverse_transform(X) == [{'bar': 2.0, 'foo': 1.0}, {'baz': 1.0, 'foo': 3.0}]
True
因此,对于属于 X
的单个实例 x_i
(行),您可以将映射恢复为:
>>> v.inverse_transform(X[i][None, :])
最后一位 [None, :]
将 M
长度的行 X[i]
转换为 1xM
行向量。并非完全需要,但 scikits-learn 会发出警告。以下内容也应该有效:
>>> v.inverse_transform(X[i])
现在,回答这个问题,要从数据 X
中删除给定的特征,DictVectorizer
还将每个特征对应的名称存储在 feature_names_
。
>>> v.feature_names_
['bar', 'baz', 'foo']
因此,你可以这样做:
>>> column = v.feature_names_.index('foo') # Column mapping index of key 'foo'
>>> values = X[:, column] # get values
>>> X[:, column] = 0 # remove them from X
最后,使用 DictVectorizer(sparse=True)
将答案扩展到稀疏矩阵,其中 X
现在是 NxM 稀疏矩阵而不是 numpy 数组。上述解决方案稍作修改即可使用(注意值提取中的 .todense()
):
>>> column = v.feature_names_.index('foo')
>>> values = X[:, column].todense() # get values
>>> X[:, column] = 0 # remove them from X
将上面代码中的 'foo'
替换为 'label'
以使其适用。
关于python - 在 scikit dict vectorizer 中按特征名称提取特征,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35428388/