热编码:缺少列
热编码:缺少列
提问于 2017-07-30 14:15:42
我有1000000份记录和100份测试记录的训练集。为了创建一个推荐系统，我创建了两个按如下方式组织的数据文件：
[in]print(training_df.head(n=5))
[out] product_id
transaction_id
0000001 [P06, P09]
0000002 [P01, P05, P06, P09]
0000003 [P01, P06]
0000004 [P01, P09]
0000005 [P06, P09]然后，我使用sklearn创建了一个矩阵，它包含product的as列和transaction_id的as行(索引)。
以下是代码：
# Create a matrix for the transactions
from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
training_df1 = training_df.join(pd.DataFrame(mlb.fit_transform(training_df.pop('product_id')),
columns=mlb.classes_,
index=training_df.index))产品id为P01-P10。问题是培训数据中没有P04和P08，所以我的training_df1只有8列，而不是10列。如何添加这两列并为所有事务填充0？
回答 1
Stack Overflow用户
回答已采纳
发布于 2017-07-30 14:31:36
在初始化P01-P10时，可以将预定义的产品ids作为类传递，因此输出将始终将这些类别作为列包括在内：
from sklearn.preprocessing import MultiLabelBinarizer
product_ids = ['P{:02d}'.format(i+1) for i in range(10)]
print(product_ids)
# ['P01', 'P02', 'P03', 'P04', 'P05', 'P06', 'P07', 'P08', 'P09', 'P10']
mlb = MultiLabelBinarizer(classes=product_ids)
training_df.join(pd.DataFrame(mlb.fit_transform(training_df['product_id']),
columns=mlb.classes_,
index=training_df.index))
为了只拿回矩阵：
training_df.drop('product_id', 1).join(
pd.DataFrame(mlb.fit_transform(training_df['product_id']), columns=mlb.classes_, index=training_df.index)
)
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/45400744
复制相关文章
相似问题
腾讯云开发者
