Scikit-learn Python机器学习 - 字典特征提取-DictVectorizer
锋哥原创的Scikit-learn Python机器学习视频教程：
2026版 Scikit-learn Python机器学习 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili
课程介绍
本课程主要讲解基于Scikit-learn的Python机器学习知识，包括机器学习概述，特征工程(数据集，特征抽取，特征预处理，特征降维等)，分类算法(K-临近算法，朴素贝叶斯算法，决策树等)，回归与聚类算法(线性回归，欠拟合，逻辑回归与二分类，K-means算法)等。
字典特征提取-DictVectorizer
将特征名称和值映射为字典的列表转换为数值矩阵，非常适合处理混合类型的特征。
DictVectorizer 是一个非常有用的工具，它用于将特征名称到特征值的映射字典（例如列表）转换为 scikit-learn 模型可以使用的数值矩阵。它的强大之处在于能同时处理分类特征（进行One-Hot编码）和数值特征（保持原值），非常适用于处理混合类型的特征或从类似JSON结构的数据中提取特征。
核心参数详解
-
dtype(默认numpy.float64)
-
作用: 指定输出数组的数据类型。
-
说明: 为了节省内存，你可以将其设置为更小的数值类型，例如
np.float32或np.int32。因为特征矩阵中会包含原始的数值型特征，所以通常不使用bool类型。
-
separator(默认=)
-
作用: 用于构造输出矩阵中特征名称的分隔符字符串。当转换分类特征时，
DictVectorizer会生成形如[特征名][分隔符][类别名]的新列名。 -
示例:
-
有一个特征
‘animal’，其值为‘cat’。 -
默认
separator=‘=’会生成新特征名：‘animal=cat’。 -
如果设置
separator=‘_’，则会生成：‘animal_cat’。
-
-
用途: 主要用于控制输出特征名的可读性和格式。
-
sparse(默认True)
-
作用: 决定转换后的输出是稀疏矩阵还是密集矩阵（numpy数组）。
-
可选值:
-
True(默认): 返回scipy.sparse稀疏矩阵。这是默认行为，因为One-Hot编码会产生大量0值，使用稀疏矩阵可以极大地节省内存。 -
False: 返回常规的numpy.ndarray密集数组。这样更易于查看和理解，但当特征维度很高时，可能会消耗巨大内存。
-
-
注意: 这个参数与新版
OneHotEncoder的sparse_output功能相同，但名称不同。
-
sort(默认True)
-
作用: 在拟合时是否对特征名称进行排序。
-
可选值:
-
True(默认): 对生成的特征名称（列名）进行排序。这能保证每次运行的结果一致，可重现性好。 -
False: 不排序，特征列的顺序将由Python字典的随机性决定（在Python 3.6+中，字典是有序的，但顺序取决于插入顺序）。通常不推荐设置为False，除非你非常关心特征列的原始顺序。
-
我们来看一个示例：
from sklearn.feature_extraction import DictVectorizer# 示例数据，列表中的每个元素都是一个字典，代表一个样本
data = [{'age': 25, 'city': 'New York', 'income': 50000},{'age': 30, 'city': 'Boston', 'income': 65000},{'age': 35, 'city': 'New York', 'income': 75000}
]# 初始化 DictVectorizer
dict_vectorizer = DictVectorizer(sparse=True)# 学习并转换数据
X_dict = dict_vectorizer.fit_transform(data)print("转换后的特征矩阵:")
print(X_dict)
# 稀疏矩阵输出：
# Coords Values
# (0, 0) 25.0
# (0, 2) 1.0
# (0, 3) 50000.0
# (1, 0) 30.0
# (1, 1) 1.0
# (1, 3) 65000.0
# (2, 0) 35.0
# (2, 2) 1.0
# (2, 3) 75000.0print("\n特征名称:")
print(dict_vectorizer.get_feature_names_out())
# 输出：['age', 'income', 'city=Boston', 'city=New York']
# 它自动将数值型特征 'age', 'income' 保留，将类别型特征 'city' 进行了 One-Hot 编码。