使用 Python 或 pandas 使用数据集替换另一个数据集中的值

Question

我有一个巨大的数据集“A”，用于汽车价格预测，其中包含某些列。 其中一列是“城市”，我想给每个城市排名以将其用于 ML 算法。 这些城市超过 50 个，因此在运行时替换并不会使代码看起来很好。

我想制作包含“城市”和“等级”的a.csv，并在数据集“A”中替换和使用该“等级”。 如何在 python 或 pandas 中做到这一点？ 任何示例或代码片段都会有很大帮助。

Answer 1

您可以使用 scikit 的 labelEncoder，它将每个唯一名称转换为代码。 危险：请注意，代码是随机给出的，并且是名义上的（不是序数），这意味着城市的相对数字没有任何意义。 在下面的例子中，东京是 2，巴黎是 1。那是因为东京人口多吗？ 或者有什么有意义的？ 不。 它是随机的，因此，大多数时候它不适合作为 ML 特征。 Label 编码器的文档在这里。

您还可以查看将每个值转换为一列 1 和 0 的 one-hot 编码器。 这通常是您将分类合并到 ML 中的方式。

有关更多信息，请使用“名义与有序分类特征”或“如何将分类合并到 scikit ml”等谷歌搜索...

>>> le = preprocessing.LabelEncoder()
>>> le.fit(["paris", "paris", "tokyo", "amsterdam"])
LabelEncoder()
>>> list(le.classes_)
['amsterdam', 'paris', 'tokyo']
>>> le.transform(["tokyo", "tokyo", "paris"]) 
array([2, 2, 1]...)
>>> list(le.inverse_transform([2, 2, 1]))
['tokyo', 'tokyo', 'paris']