本文共 1202 字，大约阅读时间需要 4 分钟。

核心思路：

先用LabelEncoder对离散特征编码，因为onehotencoder只能处理数值

然后使用OneHotEncoder编码，生成稀疏表示的特征

再使用sparse.hstack连接连续特征和稀疏特征

为什么不使用pd.get_dummy呢，因为这样是直接生成的稠密矩阵，内存开销太大

# coding=utf-8# @author: bryanfrom sklearn.preprocessing import LabelEncoderfrom sklearn.preprocessing import OneHotEncoderfrom scipy import sparsefor feature in cate_feature + con_feature:    data[feature] = LabelEncoder().fit_transform(data[feature].values)enc = OneHotEncoder()train_x=train[numeric_feature]test_x=test[numeric_feature]for feature in cate_feature+con_feature:    enc.fit(data[feature].values.reshape(-1, 1))    train_a=enc.transform(train[feature].values.reshape(-1, 1))    test_a = enc.transform(test[feature].values.reshape(-1, 1))    train_x= sparse.hstack((train_x, train_a))    test_x = sparse.hstack((test_x, test_a))# 文本one hotfrom sklearn.feature_extraction.text import CountVectorizer# 每行用空格join起来data['corpus']=data['corpus'].apply(lambda x:' '.join(x.split(';')))#如果corpus里面是数字，可能会提示empty vocabulary; perhaps the documents only contain stop words#改成这样就行了CountVectorizer(token_pattern='(?u)\\b\\w+\\b')property_feature = CountVectorizer().fit_transform(data['corpus'])train_x=sparse.hstack((train_property_feature,train_x))

转载地址：http://dmmvb.baihongyu.com/