[scikit-learn] 特征二值化编码函数的一些坑

Dear 丶 2022-05-27 04:57 145阅读 0赞

*  1. 前言
 *  2. 问题起源
    
     *  2.1. 对付数值型类别变量
     *  2.2. 对付字符串型类别变量
     *  2.3. 无用的尝试
 *  3. 另一种解决方案
 *  4. 参考资料

## 1. 前言 ##

这几天埋头撰写`『优雅高效地数据挖掘——基于Python的sklearn_pandas库』` 一文，其中有一部分涉及如何批量并行地进行特征二值化，在此过程中发现了 scikit-learn (以下简称 sklearn)中，二值化函数存在一些坑，跟 sklearn\_pandas 的作者在 github 上交流过，在此总结一下，做个记录

所涉及到的几种 sklearn 的二值化编码函数：`OneHotEncoder()`, `LabelEncoder()`, `LabelBinarizer()`, `MultiLabelBinarizer()`

## 2. 问题起源 ##

首先造一个测试数据

import pandas as pd
    from sklearn.preprocessing import OneHotEncoder
    from sklearn.preprocessing import LabelEncoder
    from sklearn.preprocessing import LabelBinarizer
    from sklearn.preprocessing import MultiLabelBinarizer
    
    testdata = pd.DataFrame({
         'pet': ['cat', 'dog', 'dog', 'fish'],                         
    'age': [4 , 6, 3, 3],                         
    'salary':[4, 5, 1, 1]})

这里我们把 `pet`、`age`、`salary` 都看做类别特征，所不同的是 `age` 和 `salary` 都是数值型，而 `pet` 是字符串型。我们的目的很简单: 把他们全都二值化，进行 one-hot 编码

### 2.1. 对付数值型类别变量 ###

对 age 进行二值化很简单，直接调用 OneHotEncoder

OneHotEncoder(sparse = False).fit_transform( testdata.age ) # testdata.age 这里与 testdata[['age']]等价

然而运行结果是 `array([[ 1.,  1.,  1.,  1.]])`，这个结果是错的，从 Warning 信息中得知，原因是 sklearn 的新版本中，`OneHotEncoder` 的输入必须是 2-D array，而 testdata.age 返回的 Series 本质上是 1-D array，所以要改成

OneHotEncoder(sparse = False).fit_transform( testdata[['age']] )

我们得到了我们想要的：

array([[ 0.,  1.,  0.],
           [ 0.,  0.,  1.],
           [ 1.,  0.,  0.],
           [ 1.,  0.,  0.]])

可以用同样的方法对 `salary` 进行 `OneHotEncoder`, 然后将结果用 `numpy.hstack()` 把两者拼接起来得到变换后的结果

a1 = OneHotEncoder(sparse = False).fit_transform( testdata[['age']] )
    a2 = OneHotEncoder(sparse = False).fit_transform( testdata[['salary']])
    final_output = numpy.hstack((a1,a2))

不过这样的代码略显冗余，既然 `OneHotEncoder()` 可以接受 2-D array 输入，那我们可以写成这样

OneHotEncoder(sparse = False).fit_transform( testdata['age', 'salary'])

结果为

array([[ 0.,  1.,  0.,  0.,  1.,  0.],
           [ 0.,  0.,  1.,  0.,  0.,  1.],
           [ 1.,  0.,  0.,  1.,  0.,  0.],
           [ 1.,  0.,  0.,  1.,  0.,  0.]])

有时候我们除了得到最终编码结果，还想知道结果中哪几列属于 `age` 的二值化编码，哪几列属于 `salary` 的，这时候我们可以通过 `OneHotEncoder()` 自带的 `feature_indices_` 来实现这一要求，比如这里 `feature_indices_` 的值是\[0, 3, 6\]，表明 第\[0:3\]列是`age`的二值化编码，\[3:6\]是`salary`的。更多细节请参考 sklearn 文档，

### 2.2. 对付字符串型类别变量 ###

遗憾的是`OneHotEncoder`无法直接对字符串型的类别变量编码，也就是说`OneHotEncoder().fit_transform(testdata[['pet']])`这句话会报错(不信你试试)。已经有很多人在 stackoverflow 和 sklearn 的 github issue 上讨论过这个问题，但目前为止的 sklearn 版本仍没有增加`OneHotEncoder`对字符串型类别变量的支持，所以一般都采用曲线救国的方式：

>  *  方法一 先用 LabelEncoder() 转换成连续的数值型变量，再用 OneHotEncoder() 二值化
>  *  方法二 直接用 LabelBinarizer() 进行二值化

然而要注意的是，无论 LabelEncoder() 还是 LabelBinarizer()，他们在 sklearn 中的设计初衷，都是为了解决标签 y 的离散化，而非输入 X， 所以他们的输入被限定为 1-D array，这恰恰跟 OneHotEncoder() 要求输入 2-D array 相左。所以我们使用的时候要格外小心，否则就会出现上面`array([[ 1.,  1.,  1.,  1.]])`那样的错误

# 方法一: LabelEncoder() + OneHotEncoder()
    a = LabelEncoder().fit_transform(testdata['pet'])
    OneHotEncoder( sparse=False ).fit_transform(a.reshape(-1,1)) # 注意: 这里把 a 用 reshape 转换成 2-D array
    
    # 方法二: 直接用 LabelBinarizer()
    
    LabelBinarizer().fit_transform(testdata['pet'])

这两种方法得到的结果一致，都是

array([[ 1.,  0.,  0.],
           [ 0.,  1.,  0.],
           [ 0.,  1.,  0.],
           [ 0.,  0.,  1.]])

正因为`LabelEncoder`和`LabelBinarizer`设计为只支持 1-D array，也使得它无法像上面 OneHotEncoder 那样批量接受多列输入，也就是说`LabelEncoder().fit_transform(testdata[['pet', 'age']])`会报错。

### 2.3. 无用的尝试 ###

然而执着如我怎会就此放弃，我又仔细翻了翻 sklearn 的 API 接口，果然发现有个叫 MultiLabelBinarizer() 的，看着似乎可以解决这个问题，于是尝试了一下

MultiLabelBinarizer().fit_transform(testdata[['age','salary']].values)

输出结果如下

array([[0, 0, 1, 0, 0],
           [0, 0, 0, 1, 1],
           [1, 1, 0, 0, 0],
           [1, 1, 0, 0, 0]])

结果咋一看毫无问题，再仔细一看，被打脸！`MultiLabelBinarizer`并没有分别对每列进行 one-hot 编码，而是将这几列的取值看做一个整体，每行样本都被去重了，所以结果中第一行只有一个 1 ，因为 age 和 salary 第一行取值都是 4， `MultiLabelBinarizer` 默认这行样本只有一个类别 4 。。。。。。

## 3. 另一种解决方案 ##

其实如果我们跳出 scikit-learn， 在 pandas 中可以很好地解决这个问题，用 pandas 自带的`get_dummies`函数即可

pd.get_dummies(testdata,columns=testdata.columns)

结果正是我们想要的

age_3   age_4   age_6   pet_cat pet_dog pet_fish    salary_1    salary_4    salary_5
    0   0.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0
    
    1   0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0
    
    2   1.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0
    
    3   1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0

`get_dummies`的优势在于:

1.  本身就是 pandas 的模块，所以对 DataFrame 类型兼容很好
2.  不管你列是数值型还是字符串型，都可以进行二值化编码
3.  能够根据指令，自动生成二值化编码后的变量名

这么看来，我们找到最完美的解决方案了？ No！`get_dummies`千般好，万般好，但毕竟不是 sklearn 里的`transformer`类型，所以得到的结果得手动输入到 sklearn 里的相应模块，也无法像 sklearn 的`transformer`一样可以输入到`pipeline`中 进行流程化地机器学习过程。更重要的一点

> `get_dummies` 不像 sklearn 的 `transformer`一样，有 `transform`方法，所以一旦测试集中出现了训练集未曾出现过的特征取值，简单地对测试集、训练集都用 `get_dummies` 方法将导致数据错误

所以，若有高人有更好的解决方案，欢迎提出，非常感谢！！

</div>