将分类数据传递到Sklearn决策树

Question

关于如何将分类数据编码到Sklearn决策树中，有几篇文章，但是从Sklearn文档中，我们得到了这些。

决策树的一些优点是：

（…）

能够处理数字和分类数据。其他技术通常专用于分析仅具有一种类型的变量的数据集。有关更多信息，请参见算法。

但是运行以下脚本

import pandas as pd 
from sklearn.tree import DecisionTreeClassifier

data = pd.DataFrame()
data['A'] = ['a','a','b','a']
data['B'] = ['b','b','a','b']
data['C'] = [0, 0, 1, 0]
data['Class'] = ['n','n','y','n']

tree = DecisionTreeClassifier()
tree.fit(data[['A','B','C']], data['Class'])

输出以下错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/lib/python2.7/site-packages/sklearn/tree/tree.py", line 154, in fit
    X = check_array(X, dtype=DTYPE, accept_sparse="csc")
  File "/usr/local/lib/python2.7/site-packages/sklearn/utils/validation.py", line 377, in check_array
    array = np.array(array, dtype=dtype, order=order, copy=copy)
ValueError: could not convert string to float: b

我知道在R中可以通过Sklearn传递分类数据，这可能吗？

Answer 1

与接受的答案相反，我更愿意使用Scikit-
Learn提供的工具来实现此目的。这样做的主要原因是可以轻松地将它们集成到管道中。

Scikit-Learn本身提供了很好的类来处理分类数据。你不想编写自定义函数，你应该使用LabelEncoder它
专门为此设计的 。

请参考文档中的以下代码：

from sklearn import preprocessing
le = preprocessing.LabelEncoder()
le.fit(["paris", "paris", "tokyo", "amsterdam"])
le.transform(["tokyo", "tokyo", "paris"])

这会自动将它们编码为数字，以供您的机器学习算法使用。现在，这也支持从整数返回字符串。您可以通过简单地inverse_transform如下调用来做到这一点：

list(le.inverse_transform([2, 2, 1]))

这将返回['tokyo', 'tokyo', 'paris']。

还要注意，对于其他许多分类器，除了决策树（例如逻辑回归或SVM）之外，您还想使用One-
Hot编码
对分类变量进行编码。Scikit-
learn也通过OneHotEncoder该类对此提供支持。

希望这可以帮助！