将文本列转换为数字

Question

我是数据分析新手。我正在尝试一些模型在Python SkLearning。我有一个数据集，其中一些列有文本列。像下面，

数据集

是否有办法将这些列值转换为pandas或Sklearn中的数字？。将数字分配给这些值是正确的？。如果测试数据中出现新字符串呢？。

请给我一些建议。

Answer 1

您可以使用分类数据类型将它们转换为整数代码。

column = column.astype('category')
column_encoded = column.cat.codes

只要使用具有足够深树的基于树的模型，例如GradientBoostingClassifier（max_depth=10），您的模型就应该能够再次拆分类别。

Answer 2

考虑使用标签编码-它通过将每个类别指定为0和NothOfFi类别-1之间的整数来转换分类数据：

from sklearn.preprocessing import LabelEncoder
df = pd.DataFrame(['a','b','c','d','a','c','a','d'], columns=['letter'])

  letter
0      a
1      b
2      c
3      d
4      a
5      c
6      a

申请：

le = LabelEncoder()
encoded_series = df[df.columns[:]].apply(le.fit_transform)

编码的U系列：

    letter
0   0
1   1
2   2
3   3
4   0
5   2
6   0
7   3