Масове перетворення категоричних стовпців у пандах (не одноразове кодування)

У мене є рамки даних панди з тоннами категоричних стовпців, які я планую використовувати в дереві рішень з scikit-learn. Мені потрібно перетворити їх на числові значення (не один гарячий вектор). Я можу це зробити з LabelEncoder від scikit-learn. Проблема в тому, що їх занадто багато, і я не хочу їх перетворювати вручну.

Який був би простий спосіб автоматизувати цей процес.

Якщо ваші категоричні стовпці є символом / об'єктом, ви можете використовувати щось подібне, щоб зробити кожен:

char_cols = df.dtypes.pipe(lambda x: x[x == 'object']).index

for c in char_cols:
    df[c] = pd.factorize(df[c])[0]

Якщо вам потрібно мати можливість повернутися до категорій, я б створив словник для збереження кодування; щось на зразок:

char_cols = df.dtypes.pipe(lambda x: x[x == 'object']).index
label_mapping = {}

for c in char_cols:
    df[c], label_mapping[c] = pd.factorize(df[c])

Використання mcve Жульєна виведе:

In [3]: print(df)
Out[3]: 
    a   b   c   d
0   0   0   0   0.155463
1   1   1   1   0.496427
2   0   0   2   0.168625
3   2   0   1   0.209681
4   0   2   1   0.661857

In [4]: print(label_mapping)
Out[4]:
{'a': Index(['Var2', 'Var3', 'Var1'], dtype='object'),
 'b': Index(['Var2', 'Var1', 'Var3'], dtype='object'),
 'c': Index(['Var3', 'Var2', 'Var1'], dtype='object')}

Спочатку створимо mcve для гри:

import pandas as pd
import numpy as np

In [1]: categorical_array = np.random.choice(['Var1','Var2','Var3'],
                                             size=(5,3), p=[0.25,0.5,0.25])
        df = pd.DataFrame(categorical_array,
               columns=map(lambda x:chr(97+x), range(categorical_array.shape[1])))
        # Add another column that isn't categorical but float
        df['d'] = np.random.rand(len(df))
        print(df)

Out[1]:
      a     b     c         d
0  Var3  Var3  Var3  0.953153
1  Var1  Var2  Var1  0.924896
2  Var2  Var2  Var2  0.273205
3  Var2  Var1  Var3  0.459676
4  Var2  Var1  Var1  0.114358

Тепер ми можемо використовувати pd.get_dummies для кодування перших трьох стовпців.

Зауважте, що я використовую drop_firstпараметр, оскільки N-1манекенів достатньо, щоб повністю описати Nможливості (наприклад: якщо a_Var2і a_Var30, то це a_Var1). Крім того, я конкретно вказую стовпці, але мені не потрібно, оскільки це будуть стовпці з dtype або objectабо categorical(докладніше нижче).

In [2]: df_encoded = pd.get_dummies(df, columns=['a','b', 'c'], drop_first=True)
        print(df_encoded]
Out[2]:
          d  a_Var2  a_Var3  b_Var2  b_Var3  c_Var2  c_Var3
0  0.953153       0       1       0       1       0       1
1  0.924896       0       0       1       0       0       0
2  0.273205       1       0       1       0       1       0
3  0.459676       1       0       0       0       0       1
4  0.114358       1       0       0       0       0       0

У вашій конкретній програмі вам потрібно буде вказати список стовпців, які є категоричними, або вам доведеться зробити висновок, які стовпці будуть категоричними.

У кращому випадку ваш dataframe вже є ці стовпці з dtype=categoryі ви можете перейти columns=df.columns[df.dtypes == 'category']до get_dummies.

В іншому випадку я пропоную встановити dtypeвсі інші стовпці як відповідні (підказка: pd.to_numeric, pd.to_datetime тощо), і вам залишиться стовпці, що мають objectтип і це повинні бути ваші категоричні стовпці.

У стовпцях параметра pd.get_dummies за замовчуванням встановлюється наступне:

columns : list-like, default None
    Column names in the DataFrame to be encoded.
    If `columns` is None then all the columns with
    `object` or `category` dtype will be converted.

Для того, щоб перетворити типи декількох стовпців одночасно, я б використав щось подібне:

df2 = df.select_dtypes(include = ['type_of_insterest'])

df2[df2.columns].apply(lambda x:x.astype('category'))

Тоді я б приєднався до них назад original df.