python-如何处理熊猫中的插补和热编码？

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python-如何处理熊猫中的插补和热编码？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1871字，纯文字阅读大概需要3分钟。

内容图文

我正在尝试对我的数据集同时应用插补和热编码.我知道在应用归因时,数据的维度可能会发生变化,因此我会手动进行处理.该模型运行良好,但随后我决定应用热门编码.现在,该程序无法编译.我收到尺寸不匹配错误.

test_X = pd.get_dummies(test)
train_X = pd.get_dummies(train)

col_with_missingVal = (col for col in train_X.columns if train_X[col].isnull().any())
for col in col_with_missingVal:
    train_X[col + 'is_missing'] = train_X[col].isnull()
    test_X[col + 'is_missing'] = test_X[col].isnull()

#impute the data
imputer = Imputer()
imp_train_X = pd.DataFrame(imputer.fit_transform(train_X))
imp_test_X = pd.DataFrame(imputer.fit_transform(test_X))
imp_train_X.columns = train_X.columns
imp_test_X.columns = test_X.columns

#Fit the model
my_model = RandomForestRegressor()
my_model.fit(imp_train_X, train_y)

# Use the model to make predictions
predicted_prices = my_model.predict(imp_test_X) 

我在代码的最后一行收到以下错误：

ValueError: Number of features of the model must match the input. Model n_features is 293 and input n_features is 274

此错误的原因是什么,如何解决？

解决方法:

问题出在前两行. pd.get_dummies()将返回不同的列以进行训练并测试其中的数据是否不同.

例如,如果在火车中,一列包含3个类别,则将为它们创建3列,但是可能会发生测试数据在该特定列中仅包含2个类别的情况,因为在pd.get_dummies( ).这将导致不同数量的列.

您可以在这里做几件事：

1)最简单的方法是在训练测试拆分之前对整个数据使用pd.get_dummies(),然后拆分数据.但是不建议这样做,因为它会将测试数据的信息泄漏到模型中.

2)如果可以使用scikit的开发版本,请使用CategoricalEncoder执行一种热编码.

3)使用当前scikit版本中的LabelEncoder OneHotEncoder的组合来实现相同的目的.例如,参见my other answer.

注意

也只对测试数据调用transform(),从不对fit()进行调用.做这个：-

# If you call fit_transform(), the imputer will again learn the 
# new mean from the test data
# Which will lead to differences and data leakage.
imp_test_X = pd.DataFrame(imputer.transform(test_X))

内容总结

以上是互联网集市为您收集整理的python-如何处理熊猫中的插补和热编码？全部内容，希望文章能够帮你解决python-如何处理熊猫中的插补和热编码？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端