python - 选择 pandas 数据帧的一部分时保留索引

Question

所以我正在使用 sklearn 创建我的训练和测试集，用于多元线性回归模型。

我的数据集包含 182 个特征，如下所示；

id      feature1 feature2  ....  feature182 Target
D24352  145      8               7          1
G09340  10       24              0          0
E40988  6        42              8          1
H42093  238      234             2          1   
F32093  12       72              1          0

然后我有以下代码；

import pandas as pd

dataset = pd.read_csv('C:\\mylocation\\myfile.csv')
dataset0 = dataset.set_index('t1.id')
dataset2 = pd.get_dummies(dataset0)
y = dataset0.iloc[:, 31:32].values
dataset2.pop('Target')
X = dataset2.iloc[:, :180].values

然而，一旦我使用 dataframe.iloc，我就失去了我的索引(我已将其设置为我的 ID)。我想保留这些，因为在执行以下步骤时，我目前无法判断结果中的哪些记录与原始 dataset 中的哪些记录相关；

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, y_train)

y_pred = regressor.predict(X_test)

Answer 1

看起来您的数据存储为 object 类型。您应该将其转换为 float64(假设您的所有数据都是数字类型。否则只转换那些您想要作为数字类型的行)。由于事实证明您的索引是字符串类型，因此您需要在设置索引(并生成虚拟对象)后设置数据框的dtype。再次假设您的其余数据是数字类型:

dataset = pd.read_csv('C:\\mylocation\\myfile.csv')
dataset0 = dataset.set_index('t1.id')
dataset2 = pd.get_dummies(dataset0)
dataset0 = dataset0.astype(np.float64)  # add this line to explicitly set the dtype

现在您应该能够在切片 DataFrame 时省略 values:

y = dataset0.iloc[:, 31:32]
dataset2.pop('Target')
X = dataset2.iloc[:, :180]

使用 .values 您可以访问 DataFrame 的底层 numpy 数组。这些没有索引列。由于 sklearn 在大多数情况下与 pandas 兼容，您只需将 pandas DataFrame 传递给 sklearn。

如果这不起作用，您仍然可以将 reset_index 应用于您的 DataFrame。这会将索引添加为新列，在将训练数据传递给 sklearn 时，您必须删除该列:

dataset0.reset_index(inplace=True)
dataset2.reset_index(inplace=True)
y = dataset0.iloc[:, 31:32].values
dataset2.pop('Target')
X = dataset2.iloc[:, :180].values

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size = 0.2, random_state = 0)

from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train.drop('index', axis=1), y_train.drop('index', axis=1))

y_pred = regressor.predict(X_test.drop('index', axis=1))

在这种情况下，您仍然需要将切片 [:, 31:32] 和 [:, :180] 更改为正确的列，以便索引将包含在切片中。