将文本列转换为sklearn中的数字

Question

我是数据分析的新手。我想在python sklearn中使用一些模型。我有一个数据集，其中一些列有文本列。如下图所示，

dataset

有没有办法将这些列中的值转换为数字转换成大熊猫或sklearn？为这些值分配数字是正确的。如果在测试数据中弹出一个新的字符串呢？

请指教。

Answer 1

您可以使用分类数据类型将它们转换为整数代码。

column = column.astype('category') 
column_encoded = column.cat.codes 

只要使用使用具有足够深树一树的基于模型，如GradientBoostingClassifier(max_depth=10），你的模型应该能够再次打出的类别。

Answer 2

考虑使用标签编码 - 它由0之间分配每个类别的一个整数变换的分类数据和所述num_of_categories-1：

from sklearn.preprocessing import LabelEncoder 
df = pd.DataFrame(['a','b','c','d','a','c','a','d'], columns=['letter']) 

    letter 
0  a 
1  b 
2  c 
3  d 
4  a 
5  c 
6  a 

应用：

le = LabelEncoder() 
encoded_series = df[df.columns[:]].apply(le.fit_transform) 

encoded_series：

letter 
0 0 
1 1 
2 2 
3 3 
4 0 
5 2 
6 0 
7 3