字符串的整数编码并将其用作决策树（sklearn）的输入是否会使拆分属性离散或连续？

Question

我必须使用决策树分类器对某些数据进行分类。但是，属性值是字符串，正如我在此处找到的那样，它说字符串不能用作输入。因此我对字符串使用了整数编码。在这篇文章中，我发现传递整数编码的数据可能会导致错误的答案，因为 sklearn 假设数据之间有顺序。所以，唯一的出路是使用OneHotEncoder模块。使用OneHotEncoder模块增加了特征的数量（例如，如果有一个带有值的属性“价格” ['high','med','low']，单热编码将导致包含与实际属性“价格”相关的 3 个属性；这些可以解释为['price-high','price-med', 'price-low']和属性值将是 1 或 0，具体取决于数据），这是我不想要的，因为我必须以某种格式打印决策树，这需要原始特征（例如，我需要“价格”）。有没有办法解决这个问题？

Answer 1

我认为pd.get_dummies这会很有用，因为您想在创建单热向量时跟踪原始特征名称。

例子：

df = pd.DataFrame({'price': ['high', 'medium', 'high', 'low'], 'some_feature': ['b', 'a', 'c','a']})

pd.get_dummies(df,columns=['price','some_feature'])

    price_high  price_low   price_medium    some_feature_a  some_feature_b  some_feature_c

0   1   0   0   0   1   0

1   0   0   1   1   0   0

2   1   0   0   0   0   1

3   0   1   0   1   0   0

当将此数据框提供给决策树时，您可以更好地理解！