scikitの意思決定ツリーのデータ準備

Question

私は、scikitの学習用データセットを準備し、それを決定木クラス分類器に送るためにpandasデータフレームを構築することを計画しています。

データはさまざまな基準を持つさまざまな企業を表していますが、特定の企業でSMB、中堅企業、企業などの「顧客セグメント」など複数の値を持つことができます。このような複数の可能な値を持つ他の基準/列があります。私は個人的な価値観を集約するのではなく、SMBの会社A、Midmarketの会社A、SMBや中堅の顧客Aの「グループ分け」ではなく、個々の価値観に基づいて決定する必要があります。

これを処理する方法についてのガイダンスはありますか？ある企業が学習ルーチンに入るためには、すべてのバリアントに対して行を生成する必要がありますか？

Company,Segment 
A,SMB:MM:ENT 

なる： - 例えば「顧客垂直」はまた、複数の値を含むことができる

A, SMB 
A, MM 
A, ENT 

ならびに追加の基準/列から来るかもしれない任意の他の変異体のための入力は、そのような？これにより、データセットのサイズが大幅に増加するようです。このデータを構造化し、そして/またはこのシナリオを処理するより良い方法はありますか？

最終的な目標は、簡単な質問で簡単な調査を行い、その回答を値にマッピングして、適切な企業、特定のセグメント、業種、製品カテゴリなどの予測を得ることです。それを達成するために正しい学習データセットを構築するのに苦労しています。

Answer 1

お試しください。

df = pd.DataFrame({'company':['A','B'], 'segment':['SMB:MM:ENT', 'SMB:MM']}) 
expended_segment = df.segment.str.split(':', expand=True) 
expended_segment.columns = ['segment'+str(i) for i in range(len(expended_segment.columns))] 
wide_df = pd.concat([df.company, expended_segment], axis=1) 
result = pd.melt(wide_df, id_vars=['company'], value_vars=list(set(wide_df.columns)-set(['company']))) 
result.dropna()