将预测映射回 ID - Python Scikit Learn DecisionTreeClassifier

我有一个具有唯一标识符和其他功能的数据集。看起来像这样

ID      LenA TypeA LenB TypeB Diff Score Response
123-456  51   M     101  L     50   0.2   0
234-567  46   S     49   S     3    0.9   1
345-678  87   M     70   M     17   0.7   0

我将其分为训练数据和测试数据。我试图将测试数据从训练数据训练的分类器中分为两类。我想要训练和测试数据集中的标识符，这样我就可以将预测映射回 ID.
有没有一种方法可以将标识符列分配为 ID 或非预测变量，就像我们在 Azure ML Studio 或 SAS 中所做的那样？

我正在使用DecisionTreeClassifier来自 Scikit-Learn。这是我的分类器代码。

from sklearn import tree

clf = tree.DecisionTreeClassifier()
clf = clf.fit(traindata, trainlabels)

如果我只是将 ID 添加到traindata，代码抛出错误：

ValueError: invalid literal for float(): 123-456

不知道你是如何分开的，我建议你确保ID列不包含在您的训练数据中。也许是这样的：

X_train, X_test, y_train, y_test = test_train_split(df.ix[:, ~df.columns.isin(['ID', 'Response'])].values, df.Response)

这将仅拆分 DataFrame 中的值，而不是ID or Response为了X值，并拆分Response为了y values.

但您仍然无法使用DecisionTreeClassifier使用此数据，因为它包含字符串。您将需要转换任何具有分类数据的列，即TypeA and TypeB到数字表示。我认为对于 sklearn 来说最好的方法是使用LabelEncoder http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html。使用它将转换分类字符串标签['M', 'S'] into [1, 2]可以通过以下方式实现DecisionTreeClassifier。如果您需要一个示例，请查看将分类数据传递给 sklearn 决策树 https://stackoverflow.com/questions/38108832/passing-categorical-data-to-sklearn-decision-tree.

Update

根据您的评论，我现在明白您需要映射回ID。在这种情况下，你可以利用 pandas 来发挥你的优势。放ID作为数据的索引，然后进行拆分，这样您将保留ID所有训练和测试数据的价值。假设您的数据已经在 pandas 数据框中。

df = df.set_index('ID')
X_train, X_test, y_train, y_test = test_train_split(df.ix[:, ~df.columns.isin(['Response'])], df.Response)
print(X_train)
         LenA TypeA  LenB TypeB  Diff  Score
ID
345-678    87     M    70     M    17    0.7
234-567    46     S    49     S     3    0.9