如何在Orange中对跨列商品值做独热编码用于购物篮分析

你当前使用的「continous discrete variables - one feature per line」功能仅适用于单列存储多值特征的场景，你的原始数据是多列分别存储单个商品，所以无法得到预期结果，可参考以下操作方案：

• 第一步：通过File组件导入你的CSV数据源，导入后确认数据类型：C#列设置为元数据列（不作为建模特征），其余存储商品的列均设置为分类特征。
• 第二步：添加Unpivot组件和File组件相连，在Unpivot配置页中，将C#列设为保持列，其余所有存储商品的列设为待转换列，运行后会生成「顾客ID + 对应商品」的长格式表，商品为空的行会自动过滤。
• 第三步：添加Pivot组件和Unpivot组件相连，配置规则：行索引选择C#列，列索引选择Unpivot生成的商品值列，值聚合方式选择计数，运行后直接生成你需要的独热编码矩阵，存在对应商品的单元格值为1，不存在的为0。
• 第四步（可选）：如果存在同一顾客重复购买同一款商品的情况，可添加Discretize组件，将所有数值列按照「≥1为1、<1为0」的规则离散化，保证所有值都是二分类标识。

Excel/WPS 表格操作 #

• 先将原始表中多列存储的商品整理为单列，每行仅保留「顾客ID + 单个商品」的组合，删除商品为空的行。
• 选中全量数据插入数据透视表，行字段设置为C#，列字段设置为商品名，值字段设置为「计数」，将透视表空白单元格默认填充为0即可得到目标格式。

Python Pandas 处理 #

如果掌握基础代码操作，可通过以下代码快速转换：

import pandas as pd

# 导入原始CSV数据
df = pd.read_csv("你的本地文件路径.csv")
# 宽表转长表，删除无商品的空行
df_long = df.melt(id_vars="C#", value_name="item").dropna(subset=["item"])
# 生成独热编码矩阵
df_onehot = pd.crosstab(df_long["C#"], df_long["item"]).reset_index()
# 导出结果
df_onehot.to_csv("独热编码结果.csv", index=False)

内容的提问来源于stack exchange，提问作者bchooxg