Logistic Regression In Python 简明教程

Logistic Regression in Python - Preparing Data

为了创建分类器，我们必须以分类器构建模块所要求的格式准备数据。我们通过执行 One Hot Encoding 准备数据。

Encoding Data

我们将在下文中讨论我们所说的数据编码。首先，让我们运行代码。在代码窗口中运行以下命令。

In [10]: # creating one hot encoding of the categorical columns.
data = pd.get_dummies(df, columns =['job', 'marital', 'default', 'housing', 'loan', 'poutcome'])

正如注释中所说的，上述语句将创建数据的 One-Hot 编码。让我们看看创建了什么？通过打印数据库中的头部记录来检查创建的数据称为 “data” 。

In [11]: data.head()

您将看到以下输出 −

为了理解上述数据，我们将通过运行 data.columns 命令列出列名称，如下所示 −

In [12]: data.columns
Out[12]: Index(['y', 'job_admin.', 'job_blue-collar', 'job_entrepreneur',
'job_housemaid', 'job_management', 'job_retired', 'job_self-employed',
'job_services', 'job_student', 'job_technician', 'job_unemployed',
'job_unknown', 'marital_divorced', 'marital_married', 'marital_single',
'marital_unknown', 'default_no', 'default_unknown', 'default_yes',
'housing_no', 'housing_unknown', 'housing_yes', 'loan_no',
'loan_unknown', 'loan_yes', 'poutcome_failure', 'poutcome_nonexistent',
'poutcome_success'], dtype='object')

现在，我们将解释 get_dummies 命令如何执行 One-Hot 编码。新生成数据库中的第一列是“y”字段，它表示此客户是否已订阅 TD。现在，让我们看看已编码的列。第一个编码列是 “job” 。在数据库中，你会发现“job”列具有许多可能的值，例如“admin”、“blue-collar”、“entrepreneur”等。对于每一个可能的值，我们在数据库中创建了一个新列，其列名称附加为前缀。

因此，我们有名为“job_admin”、“job_blue-collar”等列。对于我们原始数据库中的每个编码字段，你将在创建的数据库中找到一个列列表，其中包含该列在原始数据库中所采用的所有可能的值。仔细检查列列表，了解数据如何映射到新数据库。

Understanding Data Mapping

为了理解生成的数据，让我们使用 data 命令打印出所有数据。运行该命令后的部分输出如下所示。

In [13]: data

上屏显示前十二行。如果你继续向下滚动，你会看到所有行的映射都已完成。

为了快速方便地参考，下面显示了数据库中更靠下的部分屏幕输出。

为了理解已映射的数据，让我们检查第一行。

它表示此客户未订阅 TD，如“y”字段中的值所示。它还表示此客户是一个“blue-collar”客户。水平滚动下来，它将告诉你他有一套“住房”，并且没有贷款“loan”。

在 One-Hot 编码之后，我们需要一些更多的数据处理，然后再开始构建模型。

Dropping the “unknown”

如果我们检查映射数据库中的列，你会发现一些以“unknown”结尾的列。例如，使用屏幕截图中所示的以下命令检查索引 12 处的列 −

In [14]: data.columns[12]
Out[14]: 'job_unknown'

这表示指定客户的工作未知。显然，在我们的分析和模型构建中没有必要包含这样的列。因此，应删除所有带有“unknown”值的列。这是使用以下命令完成的 −

In [15]: data.drop(data.columns[[12, 16, 18, 21, 24]], axis=1, inplace=True)

确保你指定正确的列号。如有疑问，你随时可以通过指定列命令中如上所述的索引来检查列名。

删除不需要的列后，你可以检查最终的列列表，如下所示：

In [16]: data.columns
Out[16]: Index(['y', 'job_admin.', 'job_blue-collar', 'job_entrepreneur',
'job_housemaid', 'job_management', 'job_retired', 'job_self-employed',
'job_services', 'job_student', 'job_technician', 'job_unemployed',
'marital_divorced', 'marital_married', 'marital_single', 'default_no',
'default_yes', 'housing_no', 'housing_yes', 'loan_no', 'loan_yes',
'poutcome_failure', 'poutcome_nonexistent', 'poutcome_success'],
dtype='object')