让DictVectorizer将数值识别为名义值

Question

我有一个数据集，里面有学生的毕业年份作为一个属性。这个属性其实是名义型的，也就是说它只是用来分类，并没有大小之分。但是在scikit-learn这个库里，DictVectorizer会把像1988这样的年份转换成数字。那我该怎么让DictVectorizer把它当作名义型数据来看待呢？

Answer 1

你可以把年份的值写成字符串，比如 {'year': '1998'}，而不是 {'year': 1998}。这是根据DictVectorizer的说明来的：

当特征值是字符串时，这个转换器会进行一种叫做二进制独热编码（也叫做one-of-K编码）。也就是说，对于特征可能的每一个字符串值，它都会生成一个布尔值特征。例如，一个特征“f”可以取“ham”和“spam”这两个值，那么在输出中就会变成两个特征，一个表示“f=ham”，另一个表示“f=spam”。

举个例子：

from sklearn.feature_extraction import DictVectorizer

d_numerical = [{'year': 1997},
               {'year': 1998},
               {'year': 1999}]
print DictVectorizer().fit_transform(d_numerical).toarray()

d_categorical = [{'year': '1997'},
                 {'year': '1998'},
                 {'year': '1999'}]
print DictVectorizer().fit_transform(d_categorical).toarray()

输出结果：

[[ 1997.]
 [ 1998.]
 [ 1999.]]
[[ 1.  0.  0.]
 [ 0.  1.  0.]
 [ 0.  0.  1.]]

在这里，第二种情况似乎就是你想要的结果。