我有1000000条记录的训练集和100条测试集。为了创建推荐系统，我创建了两个数据帧，其组织如下：
[in]print(training_df.head(n=5))
[out] product_id
transaction_id
0000001 [P06, P09]
0000002 [P01, P05, P06, P09]
0000003 [P01, P06]
0000004 [P01, P09]
0000005 [P06, P09]
然后，我使用sklearn创建了一个矩阵，其中product_id为列，transaction_id为rows（index）。
这是代码：
# Create a matrix for the transactions
from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
training_df1 = training_df.join(pd.DataFrame(mlb.fit_transform(training_df.pop('product_id')),
columns=mlb.classes_,
index=training_df.index))
product_id为P01-P10。问题是训练数据中缺少P04和P08，所以我的training_df1只有8列而不是10列。如何为所有事务添加两列并用0填充？
最佳答案
初始化MultiLabelBinarizer时，可以将预定义的产品ID P01-P10作为类传递，因此输出将始终将这些类别包括为列：
from sklearn.preprocessing import MultiLabelBinarizer
product_ids = ['P{:02d}'.format(i+1) for i in range(10)]
print(product_ids)
# ['P01', 'P02', 'P03', 'P04', 'P05', 'P06', 'P07', 'P08', 'P09', 'P10']
mlb = MultiLabelBinarizer(classes=product_ids)
training_df.join(pd.DataFrame(mlb.fit_transform(training_df['product_id']),
columns=mlb.classes_,
index=training_df.index))
要只取回矩阵：
training_df.drop('product_id', 1).join(
pd.DataFrame(mlb.fit_transform(training_df['product_id']), columns=mlb.classes_, index=training_df.index)
)
关于python - 热编码:缺少列，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/45400744/