ML之FE：特征工程中的特征拼接處理(常用于橫向拼接自變量特征和因變量特征)

目錄

特征工程中的特征拼接處理(常用于橫向拼接自變量特征和因變量特征)

輸出結果

實現代碼

---

特征工程中的特征拼接處理(常用于橫向拼接自變量特征和因變量特征)

輸出結果

<class 'pandas.core.frame.DataFrame'> RangeIndex: 768 entries, 0 to 767 Data columns (total 9 columns):# Column Non-Null Count Dtype --- ------ -------------- ----- 0 Pregnancies 768 non-null int64 1 Glucose 768 non-null int64 2 BloodPressure 768 non-null int64 3 SkinThickness 768 non-null int64 4 Insulin 768 non-null int64 5 BMI 768 non-null float646 DiabetesPedigreeFunction 768 non-null float647 Age 768 non-null int64 8 Outcome 768 non-null int64 dtypes: float64(2), int64(7) memory usage: 54.1 KB NonePregnancies Glucose BloodPressure SkinThickness BMI Outcome 0 6 148 72 35 33.6 1 1 1 85 66 29 26.6 0 2 8 183 64 0 23.3 1 3 1 89 66 23 28.1 0 4 0 137 40 35 43.1 1

實現代碼

# ML之DS：特征工程中的特征拼接處理(常用于橫向拼接自變量特征和因變量特征) import pandas as pddata_frame=pd.read_csv('data_csv_xls\diabetes\diabetes.csv') print(data_frame.info())col_label='Outcome' cols_other=['Pregnancies','Glucose','BloodPressure','SkinThickness','BMI'] data_X=data_frame[cols_other] data_y_label_μ=data_frame[col_label] data_dall = pd.concat([data_X, data_y_label_μ], axis=1) print(data_dall.head())

總結

以上是生活随笔為你收集整理的ML之FE：特征工程中的特征拼接处理(常用于横向拼接自变量特征和因变量特征)(daiding)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。