pandas数据分析36——快速独热和反独热处理

做数据预处理的时候，很多文本分类变量需要变为数值型。

下面提供一些方法，就以最经典的泰但尼克号数据集作为例子。

先导包读取数据

import numpy as np
import pandas as pd

data=pd.read_csv('train.csv')
data=data.drop(columns=['Name','Ticket','Cabin'],axis=1)
data['Embarked'].fillna(method='pad',axis=0,inplace=True)
data.head()

 可以看到sex和embarked两列是文本，下面处理为能运算的数值型。

方法一：get_dummies

这是pandas库提供的最快的独热方法：

pd.get_dummies(data).head()

可以看到SEX两类和embarked三类都变为了虚拟变量。

方法二：字典映射

上面的方法简单，但是这样独热处理可能会让数据特征变多，列变多了。若某些特征的分类类别很多，那么将会造成维度灾难，数据变得超高维，超级稀疏。

那么可以将分类变量还是为一列，相对应的类别是=就用0,1,2...去表示。

d1={'male':0,'female':1}
d2={'S':1,'C':2,'Q':3}data['Sex']=data['Sex'].map(d1)
data['Embarked']=data['Embarked'].map(d2)data.head()

  上面代码就将男性映射为0，女性为1，embarked里面的SCQ映射为1,2,3。

方法三：unique()

思路和上面的方法二差不多，方法二的缺点是，一个变量里面的类别太多了，我们手写字典很麻烦...所以就用unique生成变量的类别

#映射
lis=list(data['Embarked'].unique())
d=dict([(key,value) for (value,key) in enumerate(lis)])
print(d)

然后可以像上面方法二一样映射就行。

有时候我们预测出来了数值，但是想映射回文本变量怎么办 ，可以反转一下字典，然后再映射回去：

#反转
d2=dict([ (value,key) for (key,value) in d.items()])
print(d2)

方法四：groupby

分组聚合的函数也是可以直接将文本变为数值的：

#还可以
data.groupby('Embarked').ngroup()

方法五：因子化 

上面的方法或多或少都有点不全面或者不简洁，下面这个是最简洁的

#最简单的
codes,uniques=pd.factorize(data['Embarked'])
uniques

codes

 可以看到因子化factorize方法，直接就生成了所有类别变量的唯一取值列表，然后把对应的数值映射好了。

当然预测出来的数值型数据也可以像方法二映射回去：

d=dict([(key,value) for (value,key) in enumerate(uniques)])
d2=dict([ (value,key) for (key,value) in d.items()])
pd.Series(codes).map(d2)

反独热 

有时候需要进行反独热处理，就是将多个列的虚拟变量变为一个变量，例如下面这个例子：

data = pd.read_excel('副本data.xlsx').iloc[:,6:]  # 读取数据
data=data[data['是否了解购买']==2]
data.head()

例如前几列变量，其实只表示一个变量：‘了解渠道’，有淘宝，新媒体，杂志，门店等等，这是标准的独热了的情况，取值只有0和1，现在自定义一个函数，处理这种反独热情况：

def rev_onehot(df,onehot_columns,new_column,drop=False):  #要处理的数据框，反独热的列，新的总名称，是否删除df[new_column]=list(df[onehot_columns].to_numpy().argmax(axis=1))df[new_column]=data[new_column].map(dict([(value,key)for (value,key)in enumerate(onehot_columns)]))if drop:df=df.drop(columns=onehot_columns)return df

 上面的函数有四个参数 ：要处理的数据框，反独热的列，新的总名称，是否删除。

使用像下面这样：

data=rev_onehot(df=data,onehot_columns=['淘宝','新媒体','电视杂志','线下门店','熟人推荐','其他'],new_column='了解渠道',drop=True)
data=rev_onehot(df=data,onehot_columns=['鲜天麻','干天麻','天麻粉','天麻切片','天麻药剂'],new_column='了解天麻制品种类',drop=True)
data=rev_onehot(df=data,onehot_columns=['口感','价格','包装','种类'],new_column='购买考虑因素',drop=True)
data=rev_onehot(df=data,onehot_columns=['价格偏高','不了解食用方法','不了解功效','购买渠道','质量参差不齐'],new_column='未购买原因',drop=True)
data=rev_onehot(df=data,onehot_columns=['100以下','101-200','201-300','300以上'],new_column='接受价格区间',drop=True)

查看处理完的：

data.head()

 可以看到变量变少了，后面几个变量都是反独热回去了的。