使用python将列文本数据转换为用于机器学习的功能

Question

左侧CSV文件有五列。应用程序列有几个应用程序类型，用分隔 。根据应用程序、设备和地区类型，我想预测目标。但我想首先将文件转换为右侧数据帧以应用机器学习。

我如何使用python做到这一点？




Answer 1

您可以首先阅读csv的方式，然后进行所有的编辑。所以首先...

   df = pd.read_csv("data.csv")

然后将应用程序列中的数据放入列表中。然后将列表合并成一个字符串，并在“；”处将其重新拆分除沫器。

   col = list(df.application)
   col_join = ";".join(col)
   col_split = col_join.split(";")

在你有了这个列表之后，你可以循环并删除重复的...

   i=0
   while i < len(col_split):
      j=i+1
      while j < len(col_split):
           if col_split[i] == col_split[j]:
               del(col_split[j])
      else:
        j += 1
    i += 1

现在，您有了一个列表，其中列出了所有可以读入数据框用作列的唯一应用程序条目。

Answer 2

您需要对应用程序列应用多个热编码，对其他列应用一个热编码。

这是我的解决方案！

>>> import pandas as pd
>>> import numpy as np

>>> df = pd.DataFrame({'number': np.random.randint(0,10,size=5),
                  'device': np.random.choice(['a','b'],size=5),
                  'application': ['app2;app3','app1','app2;app4', 'app1;app2', 'app1'],
                  'district': np.random.choice(['aa', 'bb', 'cc'],size=5)})

>>> df

    application device  district    number
0   app2;app3   b         aa    3
1   app1        a         cc    7
2   app2;app4   a         aa    3
3   app1;app2   b         bb    9
4   app1        a         cc    4

from sklearn.preprocessing import OneHotEncoder, MultiLabelBinarizer

mlb = MultiLabelBinarizer()
# Assuming appl names are separated by ;
mhv = mlb.fit_transform(df['application'].apply(lambda x: set(x.split(';'))))
df_out = pd.DataFrame(mhv,columns=mlb.classes_)

enc = OneHotEncoder(sparse=False)
ohe_vars = ['device','district'] # specify the list of columns here
ohv = enc.fit_transform(df.loc[:,ohe_vars])
ohe_col_names = ['%s_%s'%(var,cat) for var,cats in zip(ohe_vars, enc.categories_) for cat in cats]

df_out.assign(**dict(zip(ohe_col_names,ohv.T)))

df_out