category_encoders

分类编码方法 ============================= 一组基于 scikit-learn 类型的转换器,用于通过不同技术将分类变量编码为数值。

监督:

• CatBoost [11]
• 目标编码计数 [17]
• 广义线性混合模型 [12]
• James-Stein 估计器 [9]
• LeaveOneOut [4]
• M估计器 [7]
• 目标编码 [7]
• 证据重量 [8]
• 量位编码器 [13]
• 摘要编码器 [13] 安装

该包需要: numpy, statsmodels 和 scipy。 要安装该包,请执行:

$ python setup.py install

或者

pip install category_encoders

或者

conda install -c conda-forge category_encoders

要安装开发版,您可以使用:

pip install --upgrade git+https://github.com/scikit-learn-contrib/category_encoders

用法

所有编码器都是完全兼容的 sklearn 转换器,因此可以用于管道或您现有的脚本中。支持的输入格式包括 numpy 数组和 pandas 数据框。如果未传递 cols 参数,则将对具有对象或 pandas 分类数据类型的所有列进行编码。请参阅 Transformer 专用的配置选项文档。

使用分类特征编码器编码两个分类特征

enc = BinaryEncoder(cols=['gender', 'country'])