在 Python Pandas 中训练朴素贝叶斯的不同类型的特征

我想使用许多特征来训练朴素贝叶斯分类器来对“A”或“非 A”进行分类。

我有三个不同值类型的特征： 1)total_length - 正整数 2) 元音比率 - 以小数/分数表示 3)twoLetters_lastName - 包含多个两个字母字符串的数组

# coding=utf-8
from nltk.corpus import names
import nltk
import random
import numpy as np
import pandas as pd
from pandas import DataFrame, Series
from sklearn.naive_bayes import GaussianNB
import sys
reload(sys)
sys.setdefaultencoding('utf-8')

# Import data into pandas
data = pd.read_csv('XYZ.csv', header=0, encoding='utf-8', 
    low_memory=False)
df = DataFrame(data)

# Randomize records
df = df.reindex(np.random.permutation(df.index))

# Assign column into label Y
df_Y = df[df.AScan.notnull()][['AScan']].values # Labels are 'A' or 'non-A'
#print df_Y

# Assign column vector into attribute X
df_X = df[df.AScan.notnull()][['total_length', 'vowel_ratio', 'twoLetters_lastName']].values
#print df_X[0:10]

# Incorporate X and Y into ML algorithms
clf = GaussianNB()
clf.fit(df_X, df_Y)

df_Y如下：

[[u'non-A']
 [u'A']
 [u'non-A']
 ..., 
 [u'A']
 [u'non-A']
 [u'non-A']]

df_X 如下：

[[9L 0.222222222 u"[u'ke', u'el', u'll', u'ly']"]
 [17L 0.41176470600000004
  u"[u'ma', u'ar', u'rg', u'ga', u'ar', u'ri', u'is']"]
 [11L 0.454545455 u"[u'du', u'ub', u'bu', u'uc']"]
 [11L 0.454545455 u"[u'ma', u'ah', u'he', u'er']"]
 [15L 0.333333333 u"[u'ma', u'ag', u'ge', u'ee']"]
 [13L 0.307692308 u"[u'jo', u'on', u'ne', u'es']"]
 [12L 0.41666666700000005
  u"[u'le', u'ef', u'f\\xe8', u'\\xe8v', u'vr', u're']"]
 [15L 0.26666666699999997 u"[u'ni', u'ib', u'bl', u'le', u'et', u'tt']"]
 [15L 0.333333333 u"[u'ki', u'in', u'ns', u'sa', u'al', u'll', u'la']"]
 [11L 0.363636364 u"[u'mc', u'cn', u'ne', u'ei', u'il']"]]

我收到此错误：

E:\Program Files Extra\Python27\lib\site-packages\sklearn\naive_bayes.py:150: DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples, ), for example using ravel().
  y = column_or_1d(y, warn=True)
Traceback (most recent call last):
  File "C:werwer\wer\wer.py", line 32, in <module>
    clf.fit(df_X, df_Y)
  File "E:\Program Files Extra\Python27\lib\site-packages\sklearn\naive_bayes.py", line 163, in fit
    self.theta_[i, :] = np.mean(Xi, axis=0)
  File "E:\Program Files Extra\Python27\lib\site-packages\numpy\core\fromnumeric.py", line 2727, in mean
    out=out, keepdims=keepdims)
  File "E:\Program Files Extra\Python27\lib\site-packages\numpy\core\_methods.py", line 69, in _mean
    ret, rcount, out=ret, casting='unsafe', subok=False)
TypeError: unsupported operand type(s) for /: 'unicode' and 'long'

我的理解是我需要将这些特征转换为一个 numpy 数组作为特征向量，但我不认为我是否正确准备了这个 X 向量，因为它包含非常不同的值类型。

相关问题：选择分类算法对名义数据和数值数据的混合进行分类 https://stackoverflow.com/questions/14274771/choosing-classification-algorithm-to-classify-mix-of-nominal-and-numeric-data?rq=1 -- 使用 Scikit-learn 在朴素贝叶斯分类器中混合类别数据和连续数据 https://stackoverflow.com/questions/14254203/mixing-categorial-and-continuous-data-in-naive-bayes-classifier-using-scikit-lea?rq=1

好吧，有一些事情正在发生。正如 DalekSec 指出的那样，当您将所有特征输入到像这样的模型中时，最佳实践是将它们保留为一种类型GaussianNB。回溯表明，在拟合模型时，它会尝试划分一个字符串（大概是您的 unicode 字符串之一，例如u"[u'ke', u'el', u'll', u'ly']") 乘以一个整数。所以我们需要做的就是将训练数据转换成sklearn可以使用的形式。我们可以通过几种方法来做到这一点，其中 ogrisel 在这个答案中雄辩地描述了其中两种方法here https://stackoverflow.com/a/14255284/4500741.

1. 我们可以将所有连续变量转换为分类变量。在我们的例子中，这意味着转换total_length（在某些情况下，您可能可以将其视为分类变量，但我们不要超前）并且vowel-ratio。例如，您基本上可以根据百分位将每个功能中看到的值分为 5 个值之一：“非常小”、“小”、“中”、“高”、“非常高”。据我所知，sk-learn 没有真正简单的方法，但自己做应该非常简单。您唯一想要改变的是您想要使用MultinomialNB代替GaussianNB因为您将处理用多项分布而不是高斯分布更好地描述的特征。

2. 我们可以将分类特征转换为数字特征以供使用GaussianNB。我个人认为这是更直观的方法。基本上，在处理文本时，您需要弄清楚什么信息你想从文本中获取并传递给分类器。在我看来，您想提取不同的两个字母姓氏的出现率。

   通常我会问你数据集中是否有所有姓氏，但由于每个姓氏只有两个字母，我们可以存储所有可能的两个字母名称（包括涉及重音符号的 unicode 字符），影响最小关于性能。这就是 sklearn 之类的东西的地方CountVectorizer可能有用。假设您的数据中有两个字母姓氏的所有可能组合，您可以直接使用它来将twoLetter_lastname列中的一行转换为一个N维向量，该向量记录该行中每个唯一姓氏的出现次数。然后将这个新向量与其他两个特征组合成一个 numpy 数组。

   如果您没有两个字母的所有可能组合（包括带重音的字母），您应该考虑生成该列表并将其作为 CountVectorizer 的“词汇表”传递。这样您的分类器就知道如何处理所有可能的姓氏。如果您不处理所有情况，这并不是世界末日，但在此方案中任何新的未见过的两个字母对都将被忽略。

   在使用这些工具之前，您应该确保将姓氏列作为列表而不是字符串传递，因为这可能会导致意外行为。

   您可以阅读有关一般 sklearn 预处理的更多信息here http://scikit-learn.org/stable/modules/preprocessing.html，以及更多关于CountVectorizer以及sklearn提供的其他文本特征提取工具here http://scikit-learn.org/stable/modules/feature_extraction.html#text-feature-extraction。我每天都会使用很多这些工具，并推荐它们用于基本的文本提取任务。网上还有大量教程和演示。您可能还会寻找其他类型的表示方法，例如二值化和 one-hot 编码。有很多方法可以解决这个问题，这主要取决于您的具体问题/需求。

当您能够将所有数据转换为一种或另一种形式后，您应该能够使用高斯或多项 NB 分类器。至于关于一维向量的错误，您打印了 df_Y ，它看起来像

[[u'non-A']
 [u'A']
 [u'non-A']
 ..., 
 [u'A']
 [u'non-A']
 [u'non-A']]

基本上，它期望它位于平面列表中，而不是列向量（一维列表的列表）。只需使用 numpy.reshape() 或 numpy.ravel() 等命令相应地重塑它（考虑到您只处理一列，如错误所述，numpy.ravel() 可能更合适）。