RandomForestClassfier.fit（）：ValueError：无法将字符串转换为浮点型

Question

给出的是一个简单的CSV文件：

A,B,C
Hello,Hi,0
Hola,Bueno,1

显然，实际数据集比这要复杂得多，但是这一数据再现了错误。我正在尝试为其构建一个随机森林分类器，如下所示：

cols = ['A','B','C']
col_types = {'A': str, 'B': str, 'C': int}
test = pd.read_csv('test.csv', dtype=col_types)

train_y = test['C'] == 1
train_x = test[cols]

clf_rf = RandomForestClassifier(n_estimators=50)
clf_rf.fit(train_x, train_y)

但是当我调用fit（）时，我只是得到了这个追溯：

ValueError: could not convert string to float: 'Bueno'

scikit-learn版本为0.16.1。

Answer 1

在使用fit之前，您必须进行一些编码。如前所述，fit（）不接受字符串，但是您可以解决此问题。

有几种可以使用的类：

• LabelEncoder：将字符串转换为增量值
• OneHotEncoder：使用“千分之一”算法将您的字符串转换为整数

就个人而言，前段时间我在StackOverflow上发布了几乎相同的问题。我想拥有一个可扩展的解决方案，但没有得到任何答案。我选择了将所有字符串二值化的OneHotEncoder。这是非常有效的，但是如果您有很多不同的字符串，矩阵将非常快地增长并且将需要内存。