python-3.x - 将词汇表示为决策树中的特征，词汇量为200(带有或不带有一键编码)

我是机器学习的新手！

我试图在sci-kit学习中对整个词汇进行标签编码。但是，当生成决策树时，比较形式为float类型。
（例如：输入因此我决定对标签进行一次热编码，但是在我的数据集中，词汇量为200的列重复了一次（准确地说是5次）。每个数据的列数非常大（5 * 200 + 3），因此这似乎不是一个合适的解决方案。我的词汇表由javascript中的函数名称组成。
还有其他方法可以将这些字符串表示为决策树中的特征吗？还是应该使用任何其他模型？

我的问题更新：
我的数据如下所示：

这些列是：

输入功能

column1：字符串（可以是200号词汇表中的任何单词。注意：这些是函数调用名称，因此类似于颜色名称或国家/地区名称）

同样，有4个类似的列，例如column1。

输出特征（标签）：

字符串类型。这可以是500号词汇表中的任何单词。同样，这些是函数调用名称，因此类似于颜色名称或国家/地区名称）

最佳答案

您可以为此使用countVectorizer，即使您的输入不是文档。

例如，考虑一下您的JavaScript函数词汇表为vocab_functions。您的输入函数将出现在数据框的五列中，如下所示

df[func1],df[func2],df[func3],df[func4],df[func5]

将所有函数名称连接在一起，并在其之间留有空格，以形成一个新列

df['input_func']

现在将countVectorizer应用于此列，

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
    'func_asb func_asdnl func_15 func_sx funcd3d',
    'func_11 func_sav3 func_fdasvb15 func_saax funcdnlvasdd',
]
vectorizer = CountVectorizer()#add --- vocabulary=vocab_functions

X = vectorizer.fit_transform(corpus) # replace with df['input_func']

X.todense()
#
matrix([[0, 1, 1, 1, 0, 0, 0, 1, 1, 0],
        [1, 0, 0, 0, 1, 1, 1, 0, 0, 1]], dtype=int64)

将此X馈送到决策树，决策树的大小为200。

关于python-3.x - 将词汇表示为决策树中的特征，词汇量为200(带有或不带有一键编码)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54004736/