OrdinalEncoder#
- class sklearn.preprocessing.OrdinalEncoder(*, categories='auto', dtype=<class 'numpy.float64'>, handle_unknown='error', unknown_value=None, encoded_missing_value=nan, min_frequency=None, max_categories=None)[source]#
将分类特征编码为整数数组。
此转换器的输入应为整数或字符串的类数组,表示分类(离散)特征所取的值。这些特征被转换为序数整数。这将为每个特征生成一个整数列(0 到 n_categories - 1)。
在用户指南中了解更多信息。有关不同编码器的比较,请参阅:比较目标编码器与其他编码器。
0.20 版本新增。
- 参数:
- categories‘auto’ 或类数组列表,默认值=’auto’
每个特征的类别(唯一值)
‘auto’ : 从训练数据中自动确定类别。
list :
categories[i]
包含第 i 列中预期的类别。传入的类别不应混合字符串和数值,并且在数值情况下应进行排序。
所使用的类别可以在
categories_
属性中找到。- dtype数字类型,默认值=np.float64
期望的输出数据类型。
- handle_unknown{‘error’, ‘use_encoded_value’},默认值=’error’
当设置为 ‘error’ 时,如果在转换过程中存在未知分类特征,将引发错误。当设置为 ‘use_encoded_value’ 时,未知类别的编码值将设置为参数
unknown_value
指定的值。在inverse_transform
中,未知类别将表示为 None。0.24 版本新增。
- unknown_valueint 或 np.nan,默认值=None
当参数 handle_unknown 设置为 ‘use_encoded_value’ 时,此参数是必需的,并将设置未知类别的编码值。它必须与用于编码
fit
中任何类别的数值不同。如果设置为 np.nan,则dtype
参数必须是浮点型数据类型。0.24 版本新增。
- encoded_missing_valueint 或 np.nan,默认值=np.nan
缺失类别的编码值。如果设置为
np.nan
,则dtype
参数必须是浮点型数据类型。1.1 版本新增。
- min_frequencyint 或 float,默认值=None
指定类别被视为不常见(infrequent)的最低频率。
如果为
int
,则基数较小的类别将被视为不常见。如果为
float
,则基数小于min_frequency * n_samples
的类别将被视为不常见。
1.3 版本新增:在用户指南中了解更多信息。
- max_categoriesint,默认值=None
在考虑不常见类别时,指定每个输入特征的输出类别数量上限。如果存在不常见类别,则
max_categories
会包含代表不常见类别的类别以及常见类别。如果为None
,则输出特征的数量没有限制。max_categories
不考虑缺失或未知类别。将unknown_value
或encoded_missing_value
设置为整数将使唯一整数代码的数量各增加一。这可能导致最多max_categories + 2
个整数代码。1.3 版本新增:在用户指南中了解更多信息。
- 属性:
另请参阅
OneHotEncoder
对分类特征执行独热编码。此编码适用于低到中等基数的分类变量,无论是在有监督还是无监督设置中。
TargetEncoder
在分类或回归管道中使用有监督信号对分类特征进行编码。此编码通常适用于高基数分类变量。
LabelEncoder
使用 0 到
n_classes-1
之间的值对目标标签进行编码。
备注
在 Python 3.10 之前的版本中,如果存在大量
nan
值,类别推断会变慢。从 Python 3.10 开始,nan
值的处理得到了改进(参考 bpo-43475)。示例
给定一个包含两个特征的数据集,我们让编码器查找每个特征的唯一值,并将数据转换为序数编码。
>>> from sklearn.preprocessing import OrdinalEncoder >>> enc = OrdinalEncoder() >>> X = [['Male', 1], ['Female', 3], ['Female', 2]] >>> enc.fit(X) OrdinalEncoder() >>> enc.categories_ [array(['Female', 'Male'], dtype=object), array([1, 2, 3], dtype=object)] >>> enc.transform([['Female', 3], ['Male', 1]]) array([[0., 2.], [1., 0.]])
>>> enc.inverse_transform([[1, 0], [0, 1]]) array([['Male', 1], ['Female', 2]], dtype=object)
默认情况下,
OrdinalEncoder
对缺失值采取宽容态度,即传播它们。>>> import numpy as np >>> X = [['Male', 1], ['Female', 3], ['Female', np.nan]] >>> enc.fit_transform(X) array([[ 1., 0.], [ 0., 1.], [ 0., nan]])
您可以使用参数
encoded_missing_value
来编码缺失值。>>> enc.set_params(encoded_missing_value=-1).fit_transform(X) array([[ 1., 0.], [ 0., 1.], [ 0., -1.]])
通过设置
max_categories
或min_frequency
可以启用不常见类别。在以下示例中,“a”和“d”被视为不常见,并组合成一个类别,“b”和“c”是各自的类别,未知值编码为 3,缺失值编码为 4。>>> X_train = np.array( ... [["a"] * 5 + ["b"] * 20 + ["c"] * 10 + ["d"] * 3 + [np.nan]], ... dtype=object).T >>> enc = OrdinalEncoder( ... handle_unknown="use_encoded_value", unknown_value=3, ... max_categories=3, encoded_missing_value=4) >>> _ = enc.fit(X_train) >>> X_test = np.array([["a"], ["b"], ["c"], ["d"], ["e"], [np.nan]], dtype=object) >>> enc.transform(X_test) array([[2.], [0.], [1.], [2.], [3.], [4.]])
- fit(X, y=None)[source]#
将 OrdinalEncoder 拟合到 X。
- 参数:
- X形状为 (n_samples, n_features) 的类数组
用于确定每个特征类别的数据。
- yNone
被忽略。此参数仅为与
Pipeline
兼容而存在。
- 返回:
- self对象
已拟合的编码器。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据,然后对其进行转换。
使用可选参数
fit_params
将转换器拟合到X
和y
,并返回X
的转换版本。- 参数:
- X形状为 (n_samples, n_features) 的类数组
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组,默认值=None
目标值(无监督转换时为 None)。
- **fit_paramsdict
额外的拟合参数。
- 返回:
- X_new形状为 (n_samples, n_features_new) 的 ndarray 数组
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取转换后的输出特征名称。
- 参数:
- input_features字符串类数组或 None,默认值=None
输入特征。
如果
input_features
为None
,则使用feature_names_in_
作为输入特征名称。如果未定义feature_names_in_
,则生成以下输入特征名称:["x0", "x1", ..., "x(n_features_in_ - 1)"]
。如果
input_features
是一个类数组,则如果定义了feature_names_in_
,input_features
必须与feature_names_in_
匹配。
- 返回:
- feature_names_out字符串对象 ndarray
与输入特征相同。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看 用户指南 以了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
一个包含路由信息的
MetadataRequest
。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数:
- deep布尔值,默认值=True
如果为 True,将返回此估计器及其包含的作为估计器的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- inverse_transform(X)[source]#
将数据转换回原始表示。
- 参数:
- X形状为 (n_samples, n_encoded_features) 的类数组
转换后的数据。
- 返回:
- X_original形状为 (n_samples, n_features) 的 ndarray
逆转换后的数组。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用此 API 的示例,请参阅set_output API 简介。
- 参数:
- transform{“default”, “pandas”, “polars”},默认值=None
配置
transform
和fit_transform
的输出。"default"
: 转换器的默认输出格式"pandas"
: DataFrame 输出"polars"
: Polars 输出None
: 转换配置不变
1.4 版本新增:添加了
"polars"
选项。
- 返回:
- self估计器实例
估计器实例。