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
扫描二维码推送至手机访问。