python - 使用 scikit-learn 对大型数据集进行一次性编码-6ren

python - 使用 scikit-learn 对大型数据集进行一次性编码

转载作者：太空宇宙更新时间：2023-11-04 01:15:28

25

4

我有一个大型数据集，我计划对其进行逻辑回归。它有很多分类变量，每个变量都有数千个特征，我计划在这些特征上使用一种热编码。我将需要小批量处理数据。我的问题是如何确保一个热编码在第一次运行期间看到每个分类变量的所有特征？

最佳答案

没有办法找出您的分类特征可以采用哪些可能的值，这可能意味着您必须完整地检查您的数据一次才能获得分类变量的唯一值列表。

之后是将分类变量转换为整数值并将 OneHotEncoder 中的 n_values= kwarg 设置为与每个不同值的数量相对应的数组变量可以取。

关于python - 使用 scikit-learn 对大型数据集进行一次性编码，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/24966984/

25

4

0

文章推荐： html - 使用 :not(selector) 选择除少数元素之外的所有元素

文章推荐： node.js - Node.js 的非阻塞 ClientRequest.write()

文章推荐： javascript - 没有指定宽度的表格的 CSS 固定标题

scikit-learn - scikit learn中MinMaxScaler中属性min_的含义
来自文档: sklearn.preprocessing.MinMaxScaler.min_ : ndarray, shape (n_features,) Per feature adjustment
scikit-learn - scikit svm回归预测恒定结果
这是我的数据:(我重置了索引。日期应该是索引) Date A B C D 0 2013-10-07 -0.002
scikit-learn - Scikit - 更改阈值以创建多个混淆矩阵
我正在构建一个分类器，通过贷款俱乐部数据，选择最好的 X 笔贷款。我训练了一个随机森林，并创建了通常的 ROC 曲线、混淆矩阵等。混淆矩阵将分类器的预测(森林中树木的多数预测)作为参数。但是，我希望
scikit-learn - scikit-learn 中的成本敏感分析
是否有类似于的 scikit-learn 方法/类元成本在 Weka 或其他实用程序中实现的算法以执行常量敏感分析？最佳答案不，没有。部分分类器提供 class_weight和 sample_
scikit-learn - Scikit Learn 分层交叉验证中的差异
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。方法一:cross_validation.train_test_split 方法 2:分层折叠。具有相同
scikit-learn - scikit-learn 中嵌套交叉验证的令人困惑的例子
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
scikit-learn - scikit-learn 中的哪些估计器不支持稀疏矩阵？
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到，要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知，这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
scikit-learn - 多标签分类的特征选择(scikit-learn)
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
scikit-learn - scikit-learn 默认使用哪种决策树算法？
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？当我查看一些决策树 python 脚本时，它神奇地生成了带有
scikit-learn - 多标签分类的特征选择(scikit-learn)
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时，我收到此警告: 用户
scikit-learn - scikit-learn 默认使用哪种决策树算法？
有几种算法可以构建决策树，例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法？当我查看一些决策树 python 脚本时，它神奇地生成了带有
scikit-learn - scikit-learn 的进度条？
有没有办法让 scikit-learn 中的 fit 方法有一个进度条？是否可以包含自定义的类似 Pyprind 的内容？ ? 最佳答案如果您使用 verbose=1 初始化模型调用前 fit你应
scikit-learn - scikit-learn 中交叉验证的一种标准错误规则
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型，并且我想使用“一个标准错误”规则来选择最佳模型，即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
scikit-learn - 是否可以在 Scikit-learn 中使用自定义的决策树分类器？
我有一个预定义的决策树，它是根据基于知识的拆分构建的，我想用它来进行预测。我可以尝试从头开始实现决策树分类器，但那样我就无法在 Scikit 函数中使用 predict 等内置函数。有没有办法将我的树
scikit-learn - 使用随机森林时在 scikit-learn 中表示因子变量的方法是什么？
我正在使用随机森林解决分类问题。为此，我决定使用 Python 库 scikit-learn。但我对随机森林算法和这个工具都很陌生。我的数据包含许多因子变量。我用谷歌搜索，发现像我们在线性回归中所做的
scikit-learn - 如何在 Scikit-learn 管道中访问回归器的权重
我使用 Keras 回归器对数据进行回归拟合。我使用 Scikit-learn wrapper 和 Pipeline 来首先标准化数据，然后将其拟合到 Keras 回归器上。有点像这样: from s
scikit-learn - 在 scikit-learn 中按名称获取评分函数
在 scikit-learn ，有一个的概念评分函数 .如果我们有一些预测标签和真实标签，我们可以通过调用 scoring(y_true, y_predict) 来获得分数。 .这种评分函数的一个例
scikit-learn - scikit learn : train_test_split, 我可以确保在不同的数据集上进行相同的拆分吗
我知道 train_test_split 方法将数据集拆分为随机训练和测试子集。并且使用 random_state=int 可以确保每次调用该方法时我们对该数据集都有相同的拆分。我的问题略有不同。
scikit-learn - 如何在 scikit-learn 中为最近邻居使用用户定义的度量？
我正在使用 scikit-learn 0.18.dev0。我知道之前有人问过完全相同的问题 here .我尝试了那里提供的答案，但出现以下错误 >>> def mydist(x, y): ...
scikit-learn - 在 scikit-learn 中结合递归特征消除和网格搜索
我试图在 scikit-learn 中结合递归特征消除和网格搜索。正如您从下面的代码(有效)中看到的那样，我能够从网格搜索中获得最佳估计量，然后将该估计量传递给 RFECV。但是，我宁愿先进行 RFE

首页

博学

6Ren·AI

商城

python - 使用 scikit-learn 对大型数据集进行一次性编码