[解決済み] get_dummies (Pandas) と OneHotEncoder (Scikit-learn) の長所と短所は何ですか？

質問

機械学習分類器のために、カテゴリ変数を数値に変換するさまざまな方法を学んでいます。 私は pd.get_dummies メソッドと sklearn.preprocessing.OneHotEncoder() という2つのメソッドがあり、パフォーマンスと使用方法の点でどのように異なるかを確認したいと思いました。

の使い方に関するチュートリアルを見つけました。 OneHotEncoder() に https://xgdgsc.wordpress.com/2015/03/20/note-on-using-onehotencoder-in-scikit-learn-to-work-on-categorical-features/ から sklearn のドキュメントがこの機能に関してあまり役に立たなかったからです。正しくできていないような気もしますが...。

を使用することの長所と短所を説明してもらえますか？ pd.dummies の上に sklearn.preprocessing.OneHotEncoder() と逆は？ 私が知っているのは OneHotEncoder() が疎な行列を与えることは知っていますが、それ以外の使い方はよくわかりません。 pandas メソッドに比べてどのような利点があるのかがわかりません。 私はそれを非効率的に使用しているのでしょうか？

import pandas as pd
import numpy as np
from sklearn.datasets import load_iris
sns.set()

%matplotlib inline

#Iris Plot
iris = load_iris()
n_samples, m_features = iris.data.shape

#Load Data
X, y = iris.data, iris.target
D_target_dummy = dict(zip(np.arange(iris.target_names.shape[0]), iris.target_names))

DF_data = pd.DataFrame(X,columns=iris.feature_names)
DF_data["target"] = pd.Series(y).map(D_target_dummy)
#sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)  \
#0                  5.1               3.5                1.4               0.2   
#1                  4.9               3.0                1.4               0.2   
#2                  4.7               3.2                1.3               0.2   
#3                  4.6               3.1                1.5               0.2   
#4                  5.0               3.6                1.4               0.2   
#5                  5.4               3.9                1.7               0.4   

DF_dummies = pd.get_dummies(DF_data["target"])
#setosa  versicolor  virginica
#0         1           0          0
#1         1           0          0
#2         1           0          0
#3         1           0          0
#4         1           0          0
#5         1           0          0

from sklearn.preprocessing import OneHotEncoder, LabelEncoder
def f1(DF_data):
    Enc_ohe, Enc_label = OneHotEncoder(), LabelEncoder()
    DF_data["Dummies"] = Enc_label.fit_transform(DF_data["target"])
    DF_dummies2 = pd.DataFrame(Enc_ohe.fit_transform(DF_data[["Dummies"]]).todense(), columns = Enc_label.classes_)
    return(DF_dummies2)

%timeit pd.get_dummies(DF_data["target"])
#1000 loops, best of 3: 777 µs per loop

%timeit f1(DF_data)
#100 loops, best of 3: 2.91 ms per loop

どのように解決するのですか？

OneHotEncoder は文字列の値を直接処理することができません。もし、名目上の特徴が文字列であれば、まずそれを整数にマップする必要があります。

pandas.get_dummies はちょっと逆です。デフォルトでは、columnsが指定されない限り、文字列列を一発表現にのみ変換します。