对数据进行编码以进行补偿，然后进行解码

Question

我用的是python，我有如下结构的数据，其中混合了类别和数字

subject_id hour_measure         urinecolor   blood pressure                  
3          1.00                 red         
           1.15                             high
4          2.00              yellow          low

我想使用热板法来估算它，但是我发现我应该把它编码成数字，然后再进行估算。

  from sklearn.preprocessing import OneHotEncoder
    enc = OneHotEncoder(handle_unknown='ignore')
   df= pd.read_csv('path')
    enc.fit(df)
    enc.transform(df)

当我尝试进行编码时，它会要求我先填充缺失值，那么在编码时如何处理缺失值呢？当我对分类数据进行编码时，补偿将为缺失的值生成值，那么如何在补偿后将其恢复为原始数据？有人能帮我解决这个问题吗？

Answer 1

基本上，你需要使用一个scikit-learn管道：

import numpy as np

from sklearn.pipeline import make_pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder

X = np.array(
    [['cat1', 'cat1'],
     ['cat2', np.nan],
     [np.nan, 'cat2']],
    dtype=object
)

encoder = make_pipeline(
    SimpleImputer(strategy="constant", fill_value="missing"),
    OneHotEncoder(sparse=False)
)
print(encoder.fit_transform(X))
print(encoder[-1].categories_)

[[1. 0. 0. 1. 0. 0.]
 [0. 1. 0. 0. 0. 1.]
 [0. 0. 1. 0. 1. 0.]]
[array(['cat1', 'cat2', 'missing'], dtype=object), array(['cat1', 'cat2', 'missing'], dtype=object)]

在这里，缺少的值由一些np.nan值表示。它们首先被字符串'missing'替换。然后，每个类别将成为一个列。因此，“丢失”的信息将由编码后的列表示。

您可能不想从数据中删除此信息。如果需要，可以删除相应的列。