Sklearn中的数值范畴变量

Question

我有点好奇sklearn是如何处理由数字表示的范畴变量的，比如New York=1 Boston=2 Chicago=3。python会知道它是分类的还是只是把它当作有序的数字？我看到一篇关于这个问题的帖子。我不知道它是否正确。在

我也不知道是否应该将它们全部转换为稀疏矩阵格式，例如

[1,0,0]
[0,1,0]
[0,0,1]

应用到sklearn库时，这两种格式有什么区别？在

如果sklearn不能很好地处理范畴变量，R会因此而击败它吗？在

谢谢！在

更新：

我看到了@larsmans推荐的复制问题，但实际上它没有回答我的问题，答案是in this post，它说sklearn不能很好地处理分类变量，它与R中的包相比如何。我之前也看到一些帖子，说它可以处理大数据集，但会影响小数据集。从@larsmans看来，除了树算法外，其他方法都应该将数值范畴变量转换为虚拟变量。实际上每个变量我有3000多个类别。我不认为使用DictVectorizer或oneHotEncoder将它们全部更改为稀疏矩阵不是一种有效的方法。在

Answer 1

看起来这就是你需要的DictVectorizer

用普通数表示多类分类变量可能不是一个好主意。最佳实践应该是将n类分类变量转换为n个布尔变量。在您的示例中，应该创建3个新的布尔变量来标记“==new York”、“==Boston”和“==Chicago”。在

from sklearn.feature_extraction import DictVectorizer
v = DictVectorizer(sparse = True)


D = [{"Value" : 100, "City": "New York"},
     {"Value" : 70, "City": "Boston"},
     {"Value" : 99, "City": "Chicago"},
     ]

X = v.fit_transform(D)
print v.get_feature_names()
print X

输出：

^{pr2}$