将分类数据传递到Sklearn决策树

关于如何将分类数据编码到Sklearn决策树中，有几篇文章，但是从Sklearn文档中，我们得到了这些

决策树的一些优点是：

（...）

能够处理数字和分类数据。其他技术通常专用于分析仅具有一种类型的变量的数据集。有关更多信息，请参见算法。

但是运行以下脚本

import pandas as pd 
from sklearn.tree import DecisionTreeClassifier

data = pd.DataFrame()
data['A'] = ['a','a','b','a']
data['B'] = ['b','b','a','b']
data['C'] = [0, 0, 1, 0]
data['Class'] = ['n','n','y','n']

tree = DecisionTreeClassifier()
tree.fit(data[['A','B','C']], data['Class'])

输出以下错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/lib/python2.7/site-packages/sklearn/tree/tree.py", line 154, in fit
    X = check_array(X, dtype=DTYPE, accept_sparse="csc")
  File "/usr/local/lib/python2.7/site-packages/sklearn/utils/validation.py", line 377, in check_array
    array = np.array(array, dtype=dtype, order=order, copy=copy)
ValueError: could not convert string to float: b

我知道在R中可以通过Sklearn传递分类数据，这可能吗？

与接受的答案相反，我更愿意使用Scikit-Learn提供的工具来实现此目的。这样做的主要原因是它们可以轻松集成到管道中。

Scikit-Learn本身提供了很好的类来处理分类数据。你不想编写自定义函数，你应该使用LabelEncoder它专门为此设计的。

请参考文档中的以下代码：

from sklearn import preprocessing
le = preprocessing.LabelEncoder()
le.fit(["paris", "paris", "tokyo", "amsterdam"])
le.transform(["tokyo", "tokyo", "paris"]) 

这会自动将它们编码为数字，以供您的机器学习算法使用。现在，这也支持从整数返回字符串。您可以通过简单地inverse_transform如下调用来做到这一点：

list(le.inverse_transform([2, 2, 1]))

这将返回['tokyo', 'tokyo', 'paris']。

还要注意，对于其他许多分类器，除了决策树（例如逻辑回归或SVM）之外，您还想使用One-Hot编码对分类变量进行编码。Scikit-learn也通过OneHotEncoder该类对此提供支持。

希望这可以帮助！

（这只是我从2016年开始的上述评论的格式，它仍然成立。）

该问题的公认答案具有误导性。

就目前而言，sklearn决策树不处理分类数据-请参阅问题＃5442。

建议的使用“标签编码”的方法将转换为DecisionTreeClassifier()将被视为数字的整数。如果您的分类数据不是序数，那将是不好的-您将得到没有意义的拆分。

使用aOneHotEncoder是当前唯一有效的方法，它允许不依赖标签顺序的任意分割，但是计算量大。

（..）

能够处理数字和分类数据。

这仅意味着您可以使用

• 分类问题的DecisionTreeClassifier类
• 用于回归的DecisionTreeRegressor类。

无论如何，在使用sklearn使树适合之前，您需要对分类变量进行一次热编码，如下所示：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier

data = pd.DataFrame()
data['A'] = ['a','a','b','a']
data['B'] = ['b','b','a','b']
data['C'] = [0, 0, 1, 0]
data['Class'] = ['n','n','y','n']

tree = DecisionTreeClassifier()

one_hot_data = pd.get_dummies(data[['A','B','C']],drop_first=True)
tree.fit(one_hot_data, data['Class'])

对于名义分类变量，我不会用LabelEncoder，但 sklearn.preprocessing.OneHotEncoder还是pandas.get_dummies而是因为通常这些类型的变量没有秩序。

Sklearn决策树不处理分类字符串到数字的转换。我建议您在Sklearn（也许是）中找到一个可以执行此操作的函数，或手动编写一些代码，例如：

def cat2int(column):
    vals = list(set(column))
    for i, string in enumerate(column):
        column[i] = vals.index(string)
    return column