パンダのカテゴリカル列を一括変換する（ワンホットエンコーディングではない）

私は大量のカテゴリー列を含むpandasデータフレームを持っています。これをscikit-learnの決定木で使用する予定です。それらを数値に変換する必要があります（1つのホットベクトルではありません）。scikit-learnのLabelEncoderでそれを行うことができます。問題は、それらが多すぎて手動で変換したくないことです。

このプロセスを自動化する簡単な方法は何でしょうか。

カテゴリー列が現在文字/オブジェクトである場合、次のようなものを使用してそれぞれを行うことができます。

char_cols = df.dtypes.pipe(lambda x: x[x == 'object']).index

for c in char_cols:
    df[c] = pd.factorize(df[c])[0]

カテゴリに戻る必要がある場合は、エンコーディングを保存するための辞書を作成します。何かのようなもの：

char_cols = df.dtypes.pipe(lambda x: x[x == 'object']).index
label_mapping = {}

for c in char_cols:
    df[c], label_mapping[c] = pd.factorize(df[c])

Julienのmcveを使用すると、次のように出力されます。

In [3]: print(df)
Out[3]: 
    a   b   c   d
0   0   0   0   0.155463
1   1   1   1   0.496427
2   0   0   2   0.168625
3   2   0   1   0.209681
4   0   2   1   0.661857

In [4]: print(label_mapping)
Out[4]:
{'a': Index(['Var2', 'Var3', 'Var1'], dtype='object'),
 'b': Index(['Var2', 'Var1', 'Var3'], dtype='object'),
 'c': Index(['Var3', 'Var2', 'Var1'], dtype='object')}

まず、遊ぶmcveを作成しましょう：

import pandas as pd
import numpy as np

In [1]: categorical_array = np.random.choice(['Var1','Var2','Var3'],
                                             size=(5,3), p=[0.25,0.5,0.25])
        df = pd.DataFrame(categorical_array,
               columns=map(lambda x:chr(97+x), range(categorical_array.shape[1])))
        # Add another column that isn't categorical but float
        df['d'] = np.random.rand(len(df))
        print(df)

Out[1]:
      a     b     c         d
0  Var3  Var3  Var3  0.953153
1  Var1  Var2  Var1  0.924896
2  Var2  Var2  Var2  0.273205
3  Var2  Var1  Var3  0.459676
4  Var2  Var1  Var1  0.114358

これで、pd.get_dummiesを使用して最初の3列をエンコードできます。

可能性を完全に説明するにはダミーで十分であるdrop_firstため、私はパラメーターを使用していることに注意してくださいN-1N（例：a_Var2とa_Var30の場合、それはa_Var1）。また、具体的に列を指定していますが、dtype objectまたはcategorical（以下でさらに詳しく）のいずれかを持つ列になるため、指定する必要はありません。

In [2]: df_encoded = pd.get_dummies(df, columns=['a','b', 'c'], drop_first=True)
        print(df_encoded]
Out[2]:
          d  a_Var2  a_Var3  b_Var2  b_Var3  c_Var2  c_Var3
0  0.953153       0       1       0       1       0       1
1  0.924896       0       0       1       0       0       0
2  0.273205       1       0       1       0       1       0
3  0.459676       1       0       0       0       0       1
4  0.114358       1       0       0       0       0       0

特定のアプリケーションでは、カテゴリである列のリストを提供するか、カテゴリである列を推測する必要があります。

ベストケースシナリオ、あなたのデータフレームは、既にこれらの列がありdtype=category、あなたが渡すことができますcolumns=df.columns[df.dtypes == 'category']にget_dummies。

それ以外の場合dtypeは、他のすべての列を適切に設定することをお勧めします（ヒント：pd.to_numeric、pd.to_datetimeなど）。dtypeの列がobject残り、これらはカテゴリー列になります。

pd.get_dummiesパラメータ列のデフォルトは次のとおりです。

columns : list-like, default None
    Column names in the DataFrame to be encoded.
    If `columns` is None then all the columns with
    `object` or `category` dtype will be converted.

複数の列のタイプを一度に変換するには、次のようなものを使用します。

df2 = df.select_dtypes(include = ['type_of_insterest'])

df2[df2.columns].apply(lambda x:x.astype('category'))

それから私はそれらに戻って参加しますoriginal df。