scikit学习决策树的数据准备

Question

我正在尝试为scikit学习准备一个数据集，并计划构建熊猫数据框以将其馈送到决策树分类器。

数据代表具有不同条件的不同公司，但是某些条件可以具有多个值-例如“客户群”-对于任何给定的公司来说，它可以是以下任意或全部：SMB，中型市场，企业等。带有多个可能值的类似条件/列。 我需要根据个人价值而不是总体价值来做出决策-因此，对于SMB的公司A，对于中型市场的公司A，而不是对SMB和中型市场的客户A的“分组”。

是否有有关如何处理此问题的指南？ 我是否需要为给定公司的每个变体生成行，以将其输入到学习例程中？ 这样的输入：

Company,Segment
A,SMB:MM:ENT

变成：

A, SMB
A, MM
A, ENT

以及可能来自其他条件/列的任何其他变体-例如“客户垂直”，其中也可能包含多个值？ 看来这将大大增加数据集的大小。 有没有更好的方法来构造这些数据和/或处理这种情况？

我的最终目标是让用户使用简单的问题完成简短的调查，并将其响应映射到值，以针对给定的细分市场，行业，产品类别等对“正确的”公司进行预测。但是，我在努力建立正确的学习数据集来完成该任务。

Answer 1

我们试试吧。

df = pd.DataFrame({'company':['A','B'], 'segment':['SMB:MM:ENT', 'SMB:MM']})
expended_segment = df.segment.str.split(':', expand=True)
expended_segment.columns = ['segment'+str(i) for i in range(len(expended_segment.columns))]
wide_df = pd.concat([df.company, expended_segment], axis=1)
result = pd.melt(wide_df, id_vars=['company'], value_vars=list(set(wide_df.columns)-set(['company'])))
result.dropna()