我使用Sklearn决策树进行分类,我有两种类型的数据:分类和连续 . 我使用了 pd.get_dummies
作为我的分类值,最终得到了90多个功能 . 当然,这是非常多的 .
问题是我然后迭代 max_features
参数以获得我的模型的最佳分数,并且具有超过20个特征太耗时 . 所以我认为Sklearn可以使用稀疏矩阵来表示我的分类特征,而不是使用0和1的70列 .
问题是:Sklearn可以使用稀疏matricies和常规数组的组合吗?如果是的话 - 我该怎么做?目前我收到错误: setting an array element with a sequence
这是一些获得想法的代码 . df_with_dummies
是我目前使用的,但我希望有一种方法可以使用 df_with_sparse
import numpy as np
import pandas as pd
from scipy.sparse import csr_matrix
a = np.random.randn(10,3)
b = np.random.random((10,1))
df = pd.DataFrame(a, columns = "A B C".split())
df['temp'] = b
df['dum1'] = np.where(df.temp < 0.5, 1, 0)
df['dum2'] = np.where(df.temp >= 0.5, 1, 0)
del df['temp']
df_with_dummies = df.copy()
a = df[['dum1', 'dum2']]
dums = csr_matrix(a)
df['dums'] = dums
df_with_sparse = df.copy()
1 回答
当你这样做时:
作为稀疏矩阵的
dums
没有被pandas DataFrame正确处理,它将被广播到每一行 .pandas
并没有抱怨它,因为它认为稀疏矩阵是一个非数组对象 .这意味着
df['dums']
列中的每个元素都将指向整个稀疏矩阵dums
. 基本上,每个数组元素都使用数组进行设置,因此在scikit-learn估算器中处理时会出现错误setting an array element with a sequence
.为此你可以这样做:
现在你可以进一步传递这个 .