匹配类别

class feature_engine.preprocessing.MatchCategories(variables=None, ignore_format=False, missing_values='raise')

MatchCategories() 确保分类变量被编码为 pandas 'categorical' 数据类型，而不是通用的 python 'object' 或其他数据类型。

在底层，'categorical' 数据类型是一种表示方法，它将每个类别映射到一个整数，从而提供了一种比例如 ‘str’ 更节省内存的对象结构，并且允许对结果对象进行更快的分组、映射和类似操作。

MatchCategories() 记住了每个类别所代表的编码或级别，因此可以用来确保在将分类数据传递给支持此数据类型的建模包时应用正确的编码，或者例如防止未见过的类别到达管道中的进一步转换器或估计器。

更多详情请参阅 用户指南。

参数

变量: 列表, 默认=无

将要编码的分类变量的列表。如果为 None，编码器将默认查找并转换所有类型为对象或分类的变量。你也可以让转换器接受数值变量，参见参数 ignore_format。

ignore_format: bool, default=False

此转换器仅对对象类型或分类类型的变量进行操作。要覆盖此行为并允许转换器也转换数值变量，请设置为 True。

如果 ignore_format 为 False，编码器将自动选择类型为对象或分类的变量，或检查用户输入的变量是否为对象或分类类型。如果为 True，编码器将选择所有变量或接受用户输入的所有变量，包括那些被转换为数值类型的变量。

简而言之，当你想要编码数值变量时，设置为 True。

missing_values: string, default=’raise’

指示是否应忽略缺失值或引发异常。如果设置为 'raise'，当用于 fit 或 transform 的数据集中包含缺失值时，转换器将返回错误。如果设置为 'ignore'，在学习参数或执行转换时将忽略缺失数据。

属性

category_dict_:

包含分配给每个变量的类别编码的字典。

变量_

将被转换的变量组。

feature_names_in_:

列出在 fit 过程中看到的特征名称。

n_features_in_:

在拟合过程中使用的训练集中的特征数量。

示例

>>> import pandas as pd
>>> from feature_engine.preprocessing import MatchCategories
>>> X_train = pd.DataFrame(dict(x1 = ["a","b","c"], x2 = [4,5,6]))
>>> X_test = pd.DataFrame(dict(x1 = ["c","b","a","d"], x2 = [5,6,4,7]))
>>> mc = MatchCategories(missing_values="ignore")
>>> mc.fit(X_train)
>>> mc.transform(X_train)
  x1  x2
0  a   4
1  b   5
2  c   6
>>> mc.transform(X_test)
    x1  x2
0    c   5
1    b   6
2    a   4
3  NaN   7

方法

拟合:	学习每个变量使用的编码或级别。
fit_transform:	拟合数据。然后进行转换。
get_feature_names_out:	获取转换的输出特征名称。
get_params:	获取此估计器的参数。
设置参数:	设置此估计器的参数。
转换:	将分类变量的类型强制为 dtype categorical。

fit(X, y=None)

学习用于表示分类变量的编码或级别。

参数

X: pandas 数据框，形状为 = [样本数, 特征数]

训练数据集。可以是整个数据框，而不仅仅是需要转换的变量。

y: pandas Series, 默认 = None

在这个编码器中不需要 y。你可以传递 y 或 None。

fit_transform(X, y=None, **fit_params)

拟合数据，然后进行转换。

使用可选参数 fit_params 将转换器拟合到 X 和 y，并返回 X 的转换版本。

参数

X类似于数组的形状 (n_samples, n_features)

输入样本。

y类数组的形状 (n_samples,) 或 (n_samples, n_outputs), 默认=None

目标值（无监督变换时为None）。

**fit_参数dict

附加的拟合参数。

返回

X_newndarray 数组的形状为 (n_samples, n_features_new)

转换后的数组。

get_feature_names_out(input_features=None)

获取转换后的输出特征名称。换句话说，返回转换后的数据框的变量名称。

参数

输入特征数组或列表，默认=None

此参数仅为了与 Scikit-learn 管道兼容而存在。

• 如果 None，则使用 feature_names_in_ 作为特征名称。

• 如果是一个数组或列表，那么 input_features 必须与 feature_names_in_ 匹配。

返回

feature_names_out: 列表

转换后的特征名称。

rtype

List[Union[str, int]] ..

get_metadata_routing()

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

返回

路由MetadataRequest

一个封装了路由信息的 MetadataRequest。

get_params(deep=True)

获取此估计器的参数。

参数

深度bool, 默认=True

如果为真，将返回此估计器及其包含的作为估计器的子对象的参数。

返回

参数dict

参数名称映射到它们的值。

inverse_transform(X)

将编码后的变量转换回原始值。

参数

X: pandas 数据框，形状为 [n_samples, n_features]。

转换后的数据框。

返回

X_tr: 形状为 [n_samples, n_features] 的 pandas 数据框。

未经转换的数据框，其中分类变量包含原始值。

rtype

DataFrame ..

set_params(**params)

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

参数

**参数dict

估计器参数。

返回

自身估计器实例

估计器实例。

transform(X)

将分类变量编码为 pandas 的分类数据类型。

参数

X: pandas 数据框，形状为 [n_samples, n_features]。

要编码的数据集。

返回

X_new: 形状为 [n_samples, n_features] 的 pandas dataframe。

包含变量编码为 pandas 分类数据类型的数据框。

rtype

DataFrame ..