Python SciKitLearn und Pandas kategorische Daten

Question

Ich arbeite an multivariable Regression von einem CSV, Vorhersage Ernte Leistung auf der Grundlage mehrerer Faktoren. Einige meiner Spalten sind numerisch und aussagekräftig. Andere sind numerisch und kategorisch oder Strings und kategorisch (zum Beispiel Pflanzensorte oder Plot-Code oder was auch immer). Wie unterrichte ich Python, um sie zu benutzen? Ich habe One Hot Encoder gefunden (http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html#sklearn.preprocessing.OneHotEncoder), verstehe aber nicht wirklich, wie man es hier anwendet.

Mein Code so weit:

import pandas as pd 
import statsmodels.api as sm 
from sklearn.preprocessing import StandardScaler 
df = pd.read_csv('filepath.csv') 

df.drop(df[df['LabeledDataColumn'].isnull()].index.tolist(),inplace=True) 

scale = StandardScaler() 

pd.options.mode.chained_assignment = None # default='warn' 
X = df[['inputColumn1', 'inputColumn2', ...,'inputColumn20']] 
y = df['LabeledDataColumn'] 

X[['inputColumn1', 'inputColumn2', ...,'inputColumn20']] = scale.fit_transform(X[['inputColumn1', 'inputColumn2', ...,'inputColumn20']].as_matrix()) 

#print (X) 

est = sm.OLS(y, X).fit() 

est.summary() 

Answer 1

Sie die get_dummies Funktion Pandas bietet verwenden könnten und die kategorischen Werte konvertieren.

So etwas ..

predictor = pd.concat([data.get(['numerical_column_1','numerical_column_2','label']), 
          pd.get_dummies(data['categorical_column1'], prefix='Categorical_col1'), 
          pd.get_dummies(data['categorical_column2'], prefix='categorical_col2'), 
          axis=1) 

dann könnte man das Ergebnis/label Spalte erhalten, indem

outcome = predictor['label'] 
del predictor['label'] 

Dann das Modell

est = sm.OLS(outcome, predictor).fit()