如何編碼每列具有多個值的要素？ 需要MultiDictVectorizer嗎？

Question

我在sklearn中使用了一些功能，我遇到了一個問題。 如果您的數據可以編碼為每個項目的一個dict鍵，則DictVectorizer可以正常工作。 如果您的商品可以包含同一列的兩個或更多值，該怎么辦？ 例如，DictVectorizer可以在這樣的項目上正常工作：

{'a': 'b', 'b': 'c'}

但是這樣的事情呢，每列有多個值？

{'a': ['b','c'], 'b': 'd'}

單熱編碼的策略仍然適用，你只需要兩列...... a = b和a = c。 據我所知，沒有這樣的矢量化器存在！ 在這種情況下應該做什么？ 我需要創建自己的MultiDictVectorizer嗎？

在發布之前，我在博文中寫了這篇文章。

Answer 1

這種情況至少有兩種快速解決方案：

1. 創建一個新值，表示具有兩個聚合值的可能性

   {'a': 'bc', 'b': 'd'}或給它另一個名字，即'bc'-->'e'

2. 每次采用其中一個值時復制樣本

   {'a': 'b', 'b': 'd'}和{'a': 'c', 'b': 'd'}

但當然這很大程度上取決於你的問題的背景（案例2：“復制”具有不同表現形式的樣本是否正確？案例1：在概念上是否可以接受該特征的另一個新值？）。 例如，我甚至不知道該多值特征是否對應於N/A情況。

我已經看到了你的github提議，所以我明白這不是你想要的，但以防萬一它能省你的努力。

Answer 2

DictVectorizer無法處理每個鍵的多個值，因此我將此功能添加到其中。 如果拉動被接受，這將是sklearn的一部分。 如果沒有，我將在MultiDictVectorizer中繼承DictVectorizer，並將為此類發布一個包。

在Github拉請求

sklearn Github項目中的問題