我正在学习将分类变量转换为机器学习分类器的数值的不同方法。我遇到了 pd.get_dummies 方法和 sklearn.preprocessing.OneHotEncoder()，我想看看它们在性能和使用方面有何不同。

我在 https://xgdgsc.wordpress.com/2015/03/20/note-on-using-onehotencoder-in-scikit-learn-to-work-on-categorical-features/ 上找到了关于如何使用 OneHotEncoder() 的教程因为 sklearn 文档对此功能没有太大帮助。我感觉我做得不对……但是

能否解释一下使用 pd.dummies 而不是 sklearn.preprocessing.OneHotEncoder() 的优缺点，反之亦然？ 我知道OneHotEncoder() 为您提供了一个稀疏矩阵，但除此之外，我不确定它是如何使用的，以及 pandas 方法有什么好处。我使用它效率低下吗？

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
sns.set()

%matplotlib inline

#Iris Plot
iris = load_iris()
n_samples, m_features = iris.data.shape

#Load Data
X, y = iris.data, iris.target
D_target_dummy = dict(zip(np.arange(iris.target_names.shape[0]), iris.target_names))

DF_data = pd.DataFrame(X,columns=iris.feature_names)
DF_data["target"] = pd.Series(y).map(D_target_dummy)
#sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)  \
#0                  5.1               3.5                1.4               0.2   
#1                  4.9               3.0                1.4               0.2   
#2                  4.7               3.2                1.3               0.2   
#3                  4.6               3.1                1.5               0.2   
#4                  5.0               3.6                1.4               0.2   
#5                  5.4               3.9                1.7               0.4   

DF_dummies = pd.get_dummies(DF_data["target"])
#setosa  versicolor  virginica
#0         1           0          0
#1         1           0          0
#2         1           0          0
#3         1           0          0
#4         1           0          0
#5         1           0          0

from sklearn.preprocessing import OneHotEncoder, LabelEncoder
def f1(DF_data):
    Enc_ohe, Enc_label = OneHotEncoder(), LabelEncoder()
    DF_data["Dummies"] = Enc_label.fit_transform(DF_data["target"])
    DF_dummies2 = pd.DataFrame(Enc_ohe.fit_transform(DF_data[["Dummies"]]).todense(), columns = Enc_label.classes_)
    return(DF_dummies2)

%timeit pd.get_dummies(DF_data["target"])
#1000 loops, best of 3: 777 µs per loop

%timeit f1(DF_data)
#100 loops, best of 3: 2.91 ms per loop

最佳答案

对于机器学习，您几乎肯定要使用 sklearn.OneHotEncoder。 对于其他任务(例如简单分析)，您也许可以使用 pd.get_dummies ，这样方便一点。

请注意，sklearn.OneHotEncoder 已在最新版本中进行了更新，因此它接受字符串用于分类变量以及整数。

关键在于 sklearn 编码器创建了一个函数，该函数持久化，然后可以应用于使用相同分类变量的新数据集，结果一致。

from sklearn.preprocessing import OneHotEncoder

# Create the encoder.
encoder = OneHotEncoder(handle_unknown="ignore")
encoder.fit(X_train)    # Assume for simplicity all features are categorical.

# Apply the encoder.
X_train = encoder.transform(X_train)
X_test = encoder.transform(X_test)

注意我们如何将通过 X_train 创建的相同编码器应用到新数据集 X_test。

考虑如果 X_test 的变量之一包含与 X_train 不同的级别会发生什么。例如，假设 X_train["color"] 仅包含 "red" 和 "green"，但除此之外，X_test["color"] 有时包含 "blue"。

如果我们使用 pd.get_dummies，X_test 将结束一个额外的 "color_blue" 列，其中 X_train 没有，并且不一致性可能会在以后破坏我们的代码，特别是如果我们将 X_test 提供给我们在 X_train< 上训练的="">sklearn 模型。

如果我们想在生产中处理这样的数据，我们一次只接收一个示例，pd.get_dummies 将没有用处。

另一方面，使用 sklearn.OneHotEncoder，一旦我们创建了编码器，我们就可以重复使用它来每次产生相同的输出，只有 "red" 和 “绿色”。我们可以显式控制它遇到新级别 "blue" 时会发生什么:如果我们认为这是不可能的，那么我们可以告诉它抛出一个错误 handle_unknown="error";否则我们可以告诉它继续，只需将红色和绿色列设置为 0，使用 handle_unknown="ignore"。

关于python - get_dummies (Pandas) 和 OneHotEncoder (Scikit-learn) 之间的优缺点是什么？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/36631163/