在决策树分类器中使用OneHotEncoder作为分类特征

Question

我是新来的ML在Python和非常困惑如何实现一个决策树与分类变量，因为他们得到自动编码的党和ctree在R。

我想做一个具有两个分类独立特征和一个依赖类的决策树。

我使用的数据帧如下所示：

data
      title_overlap_quartile sales_rank_quartile rank_grp
    0                     Q4                  Q2    GRP 1
    1                     Q4                  Q3    GRP 1
    2                     Q2                  Q1    GRP 1
    3                     Q4                  Q1    GRP 1
    5                     Q2                  Q1    GRP 2

我知道分类特征需要使用labelencoder和/或一个热编码器在scikit learn中编码。

首先，我尝试只使用标签编码器，但这并不能解决问题，因为DecisionTreeClassifier开始将编码的变量视为连续变量。然后我从这篇文章中读到：OneHotEncoder的分类特性问题，变量应该首先使用标签编码器编码，然后再使用一个热编码器编码。

我试图以以下方式在此数据集中实现它，但得到一个错误。

def encode_features(df, columns):
    le = preprocessing.LabelEncoder()
    ohe = preprocessing.OneHotEncoder(sparse=False)
    for i in columns:
        le.fit(df[i].unique())
        df[i+'_le'] = le.transform(df[i])
        df[i+'_le'] = df[i+'_le'].values.reshape(-1, 1)
        df[i+'_le'+'_ohe'] = ohe.fit_transform(df[i+'_le'])
    return(df)

data = encode_features(data, ['title_overlap_quartile', 'sales_rank_quartile'])


  File "/Users/vaga/anaconda2/envs/py36/lib/python3.5/site-packages/pandas/core/series.py", line 2800, in _sanitize_index
    raise ValueError('Length of values does not match length of ' 'index')

ValueError: Length of values does not match length of index

当我从函数中删除ohe部分并在外部运行时，它会运行，但结果看起来很奇怪：

def encode_features(df, columns):
    le = preprocessing.LabelEncoder()
    ohe = preprocessing.OneHotEncoder(sparse=False)
    for i in columns:
        le.fit(df[i].unique())
        df[i+'_le'] = le.transform(df[i])
        # df[i+'_le'] = df[i+'_le'].values.reshape(-1, 1)
        # df[i+'_le'+'_ohe'] = ohe.fit_transform(df[i+'_le'])
    return(df)

data = encode_features(data, ['title_overlap_quartile', 'sales_rank_quartile']) 

data['title_overlap_quartile_le'] = data['title_overlap_quartile_le'].values.reshape(-1, 1)

print(ohe.fit_transform(data['title_overlap_quartile_le']))

[[ 1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.
   1.  1.  1.  1.  1.  1.  1.  1.  1.  1.]]

我还尝试使用pandas.get_dummies，它将变量转换为多列，并使用二进制编码，但决策树分类器再次将其视为连续变量。

有人能帮助我如何使用分类变量作为分类变量来拟合决策树并输出树形图吗？

拟合和绘制我使用的树的代码是：

clf = tree.DecisionTreeClassifier()
clf = clf.fit(data[['title_overlap_score', 'sales_rank_quartile']], data[['rank_grp']])

dot_data = tree.export_graphviz(clf, out_file=None, feature_names=data[['title_overlap_score', 'sales_rank_quartile']].columns,  
                         filled=True, rounded=True,  
                         special_characters=True)  

graph = graphviz.Source(dot_data)  
graph.render("new_tree")

Answer 1

虽然决策树应该处理分类变量，但由于这个未解决的错误，sklearn的实现目前无法实现。当前的解决方法是，在将分类变量传递给分类器之前，对其进行热编码，这有点复杂。

你试过category_编码器吗？这更容易处理，也可以在管道中使用。

最新尚未正式版本的Scikit学习似乎允许字符串列类型，而无需转换为int。