DictVectorizer稀疏数组特征索引疑问：温度值为何索引为(0,3)？

代码示例 #

measurements = [
     {'city': 'Dubai', 'temperature': 33.},
     {'city': 'London', 'temperature': 12.},
     {'city': 'San Francisco', 'temperature': 18.}]

vec = DictVectorizer()
transformed_sparse = vec.fit_transform(measurements)
print(transformed_sparse)

运行结果 #

(0, 0)    1.0
  (0, 3)    33.0
  (1, 1)    1.0
  (1, 3)    12.0
  (2, 2)    1.0
  (2, 3)    18.0

疑问解答 #

稀疏矩阵中温度值的索引为(0,3)，核心原因是DictVectorizer的特征转换规则：

• 对于类别型特征（比如city字段，取值为离散字符串），工具会自动将每个不同取值转换成独立的独热编码列；
• 对于数值型特征（比如temperature字段，取值为数值），直接保留为单独一列。

你可以调用vec.get_feature_names_out()查看特征与索引的对应关系，输出结果为：

['city=Dubai', 'city=London', 'city=San Francisco', 'temperature']

可见：

• 索引0对应city=Dubai，索引1对应city=London，索引2对应city=San Francisco，这三列都是city字段拆分出的独热编码列；
• 索引3对应temperature，即数值特征列。

所以第一行的温度值会出现在(0,3)的位置——前3列都是city的衍生列，temperature是第4列（从0开始计数，索引为3），并非你预期的第二列。

内容的提问来源于stack exchange，提问作者Junior Developers