将预测映射回IDs-Python Scikit学习DecisionTreeClassifier

Question

我有一个具有唯一标识符和其他功能的数据集。看起来是这样的

ID      LenA TypeA LenB TypeB Diff Score Response
123-456  51   M     101  L     50   0.2   0
234-567  46   S     49   S     3    0.9   1
345-678  87   M     70   M     17   0.7   0

我把它分为训练和测试数据。我试图将测试数据从训练数据的分类器中分为两类。我希望在训练和测试数据集中使用标识符，以便将预测映射回ID
有没有一种方法可以像在Azure ML Studio或SAS中那样，将标识符列指定为ID或非预测器

我正在使用Scikit Learn的DecisionTreeClassifier。这是我为分类器编写的代码

from sklearn import tree

clf = tree.DecisionTreeClassifier()
clf = clf.fit(traindata, trainlabels)

如果我只是将ID包括在列车数据中，则代码会抛出一个错误：

ValueError:float（）的文本无效：123-456

Answer 1

由于不知道您是如何进行拆分的，我建议您确保培训数据中不包含ID列。也许是这样的：

X_train, X_test, y_train, y_test = test_train_split(df.ix[:, ~df.columns.isin(['ID', 'Response'])].values, df.Response)

对于X值，将仅拆分ID或Response中不存在的数据帧中的值，对于y值，将拆分Response。

但是您仍然无法将DecisionTreeClassifier用于此数据，因为它包含字符串。您需要将任何包含分类数据的列，即TypeA和TypeB转换为数字表示。在我看来，sklearn实现这一点的最佳方法是使用LabelEncoder。使用此选项将分类字符串标签['M'，'S']转换为[1,2]，可使用DecisionTreeClassifier实现。如果您需要一个示例，请看一下将分类数据传递给sklearn决策树。

最新消息

根据您的评论，我现在理解您需要映射回ID。在这种情况下，您可以利用熊猫为您带来优势。将ID设置为数据索引，然后进行拆分，这样您将保留所有列车和测试数据的ID值。假设您的数据已经在一个数据帧中。

df = df.set_index('ID')
X_train, X_test, y_train, y_test = test_train_split(df.ix[:, ~df.columns.isin(['Response'])], df.Response)
print(X_train)
         LenA TypeA  LenB TypeB  Diff  Score
ID
345-678    87     M    70     M    17    0.7
234-567    46     S    49     S     3    0.9