我最近看了一段欧文·张卡格尔排名第一的选手的视频: https://youtu.be/LgLcfZjNF44 他解释了一种将分类特征编码为数字的技术,称为遗漏编码。他对一个范畴特征所做的是将一个值与每个观察值相关联,这是对同一类别的所有其他观察值的响应的平均值。在
我一直在尝试使用pandas在python中实现这个策略。虽然我已经成功地构建了一个代码,但事实上我的数据集大小达数千万,它的性能非常缓慢。 如果有人能提出一个更快的解决方案,我将非常感激。在
这是我目前为止的代码:
def categ2numeric(data, train=True):
def f(series):
indexes = series.index.values
pomseries = pd.Series()
for i, index in enumerate(indexes):
pom = np.delete(indexes, i)
pomseries.loc[index] = series[pom].mean()
series = pomseries
return series
if train:
categ = data.groupby(by=['Cliente_ID'])['Demanda_uni_equil'].apply(f)
我需要把这个系列
^{pr2}$为此:
159812 39.00
464556 25.25
717223 34.75
1043801 40.75
1152917 44.25
dtype: float64
或在数学上,索引为159812的元素等于所有其他元素的平均值,或:
39=(83+45+21+7)/4
在@root的帮助下,我发现解决这个问题最快的方法是:
我发现,如果使用apply方法和可调用函数作为输入,则需要2分钟,而这种方法只需1秒,但有点麻烦。在
有一个库:category_encoders具有与
sikit-learn
相似的代码语法。在因此,您可以使用类似于:
用级数和元素之和的差替换级数中的每个元素,然后除以级数的长度减去1。假设
s
是您的系列:结果输出:
^{pr2}$相关问题 更多 >
编程相关推荐