Sklearn FeatureHasher处理DataFrame单列报错问题求助

错误原因 #

当input_type='string'时，FeatureHasher要求输入是可迭代的可迭代对象——也就是说每个样本得是一个包含字符串的迭代器（比如单元素列表）。而你直接传入的X_train["Item_Identifier"]是Pandas Series，每个元素是单个字符串，不符合输入要求，所以触发了错误。

修复方案 #

只需要把每个字符串包装成单元素列表，让输入符合FeatureHasher的要求即可，有两种简单写法：

写法1：用Pandas的apply处理Series #

from sklearn.feature_extraction import FeatureHasher
import pandas as pd

hash_vector_size = 50
fh = FeatureHasher(n_features=hash_vector_size, input_type='string')
# 将每个字符串转为单元素列表
processed_input = X_train["Item_Identifier"].apply(lambda x: [x])
hashed_features = fh.transform(processed_input).toarray()
hashed_df = pd.DataFrame(hashed_features, columns=['H'+str(i) for i in range(hash_vector_size)])

写法2：生成列表推导式 #

from sklearn.feature_extraction import FeatureHasher
import pandas as pd

hash_vector_size = 50
fh = FeatureHasher(n_features=hash_vector_size, input_type='string')
# 直接生成包含单元素列表的迭代器
processed_input = [[item] for item in X_train["Item_Identifier"]]
hashed_features = fh.transform(processed_input).toarray()
hashed_df = pd.DataFrame(hashed_features, columns=['H'+str(i) for i in range(hash_vector_size)])

这样处理后，就能得到你预期的50列哈希特征DataFrame了。

内容的提问来源于stack exchange，提问作者Dayo Salam