我是靠谱客的博主 心灵美灰狼，最近开发中收集的这篇文章主要介绍特征既有类型（nominal）变量又有数据/数字（ratio）变量的时候，该怎么进行特征处理呢？不妨试试sklearn的DictVectorizerReference，觉得挺不错的，现在分享给大家，希望可以做个参考。
概述
直接上代码，然后就着代码分析
>>> from sklearn.feature_extraction import DictVectorizer
>>> v = DictVectorizer(sparse=False)
>>> D = [{'性别': '男', '年龄': 2}, {'性别': '女', '年龄': 23}]
>>> X = v.fit_transform(D)
>>> X
array([[ 2.,
0.,
1.],
[23.,
1.,
0.]])
>>> v.inverse_transform(X) == [{'年龄': 2.0, '性别=男': 1.0},
...
{'年龄': 23.0, '性别=女': 1.0}]
>>> v.transform({'性别': '男', '年龄': 267})
array([[267.,
0.,
1.]])
代码中的D是字典类型的特征数据，sparse=False表示输出的不是稀疏矩阵。
Reference
- sklearn.feature_extraction.DictVectorizer
最后
以上就是心灵美灰狼为你收集整理的特征既有类型（nominal）变量又有数据/数字（ratio）变量的时候，该怎么进行特征处理呢？不妨试试sklearn的DictVectorizerReference的全部内容，希望文章能够帮你解决特征既有类型（nominal）变量又有数据/数字（ratio）变量的时候，该怎么进行特征处理呢？不妨试试sklearn的DictVectorizerReference所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复