python - 如何创建虚拟变量然后使用 scikit-learn 进行聚合？

Question

我知道用pandas这个包可以很容易的实现，但是因为它太稀疏太大了(170,000 x 5000)，最后又需要用sklearn重新处理数据，不知道是不是有一种方法可以使用 sklearn。我尝试了一个热编码器，但无法将假人与“id”相关联。

df = pd.DataFrame({'id': [1, 1, 2, 2, 3, 3], 'item': ['a', 'a', 'c', 'b', 'a', 'b']})

   id item
0   1    a
1   1    a
2   2    c
3   2    b
4   3    a
5   3    b

dummy = pd.get_dummies(df, prefix='item', columns=['item'])
dummy.groupby('id').sum().reset_index()

   id  item_a  item_b  item_c
0   1       2       0       0
1   2       0       1       1
2   3       1       1       0

更新:

现在我来了，id丢了，怎么聚合呢？

lab = sklearn.preprocessing.LabelEncoder()
labels = lab.fit_transform(np.array(df.item))
enc = sklearn.preprocessing.OneHotEncoder()
dummy = enc.fit_transform(labels.reshape(-1,1))

dummy.todense()

matrix([[ 1.,  0.,  0.],
        [ 1.,  0.,  0.],
        [ 0.,  0.,  1.],
        [ 0.,  1.,  0.],
        [ 1.,  0.,  0.],
        [ 0.,  1.,  0.]])

Answer 1

以防将来有人需要引用，我把我的解决方案放在这里。我使用了 scipy 稀疏矩阵。

首先进行分组，统计记录数。

df = df.groupby(['id','item']).size().reset_index().rename(columns={0:'count'})

这需要一些时间而不是几天。

然后使用数据透视表，我找到了一个解决方案here .

from scipy.sparse import csr_matrix

def to_sparse_pivot(df, id, item, count):
    id_u = list(df[id].unique())
    item_u = list(np.sort(df[item].unique()))
    data = df[count].tolist()
    row = df[id].astype('category', categories=id_u).cat.codes
    col = df[item].astype('category', categories=item_u).cat.codes
    return csr_matrix((data, (row, col)), shape=(len(id_u), len(item_u)))

然后调用函数

result = to_sparse_pivot(df, 'id', 'item', 'count')