特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每一个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不一样的子集，这些子集每每属于孤立的点、连续的曲线或者连续的区域。用 Python 进行特征提取的方法有不少，这里我使用 sklearn.feature_extraction.DictVectorizer 这个类来进行特征提取，毕竟新版本的 scikit-learn 在使用这个类的时候会遇到一些问题，在讲怎么用它进行特征提取的同时顺便把这些问题解决了。python
检查版本算法
首先须要检查 scikit-learn 的版本，个人版本是 0.21.3，如图所示。
微信
检查完版本以后就是讲解怎么使用 DictVectorizer 进行特征提取。
app
用 DictVectorizer 进行特征提取dom
虽然在开头我解释了特征提取主要用于提取图像数据的特征，可是提取其余类型数据的特征也是时常会有的。今天讲的 DictVectorizer 主要是用来提取字典数据的特征，固然也能够提取 DataFrame 格式的数据的特征（老版本 scikit-learn 里面的 DictVectorizer 应该或许能够直接用来提取 DataFrame 格式的数据的特征，毕竟我没用过老版本的这个类，可是我敢肯定的是新版本须要作一些变换）。
机器学习
首先跟着老版本的模式先来一波，代码以下：ide
from random import random
from pandas import DataFrame
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
df = DataFrame({'X1': [random()for _ in range(100)], 'X2': [random()for _ in range(100)]})
X_train, X_test = train_test_split(df, random_state=0)
dv = DictVectorizer().fit_transform(X_train)
print(dv)函数
在这里首先我是构造了一个随机生成 100 条数据的数据集，其中每一个数据点有两个特征 X1 和 X2，没有目标值，毕竟特征提取和数据转换属于无监督学习的范畴。而后必然是拆分训练集与测试集，接着用 DictVectorizer 对象的 fit_transform 方法对训练集进行训练并转换，最后把转换后的东西作一个输出，这段代码逻辑就是如此，并无特别复杂。知道了代码逻辑以后就要运行代码了，运行结果如图所示。
学习
发现报错，并且这个错误很是莫名其妙，光看报错彻底不知道问题出在哪里。看不出错误不要紧，咱们能够去看看 scikit-learn 的文档，或许是新版本的 scikit-learn 把 DictVectorizer 这个类的使用方法给改掉了，在文档中咱们能够发现这么一个使用 DictVectorizer 的小例子，如图所示。测试
咱们发现 fit_transform 方法里面传入的是一个字典列表格式的数据，而不是其余格式的数据。这个字典列表格式的数据看起来很简单，就是一个列表，其中的每一个元素是一个字典，字典键对应着特征名，字典值对应着特征值。DataFrame 格式的数据是一个表格，表格中每一行对应着一条数据，有多少行就有多少条数据，每一列对应着一个特征，有多少列就有多少个特征。知道了这些把 DataFrame 格式的数据转换成字典列表格式的数据就是垂手可得的事情了，直接上代码，以下所示：
from random import random
from pandas import DataFrame
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
df = DataFrame({'X1': [random()for _ in range(100)], 'X2': [random()for _ in range(100)]})
X_train, X_test = train_test_split(df, random_state=0)
X_train = [{'X1': X_train['X1'][i], 'X2': X_train['X2'][i]}for i in range(75)]
dv = DictVectorizer().fit_transform(X_train)
print(dv)
一行代码就完成了数据格式的转换，这行代码没什么难的，就是一个列表推导式。在这里重点解释一下 75 这个数字，75 意味着 X_train 里面有 75 条数据（同时也暗示了 X_test 里面有 25 条数据），至于为何是 75 只要记得是 train_test_split 这个函数里面默认规定的就好了。接下来仍是运行一下看看，运行结果如图所示。
仍是报错，更加莫名其妙，一样也是看不出错在了哪里，咱们把那个列表推导式写完整一些，每次循环的时候顺便打印循环变量 i 的值，代码以下：
from random import random
from pandas import DataFrame
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
df = DataFrame({'X1': [random()for _ in range(100)], 'X2': [random()for _ in range(100)]})
X_train, X_test = train_test_split(df, random_state=0)
li = []
for i in range(75):
print(i)
li.append({'X1': X_train['X1'][i], 'X2': X_train['X2'][i]})
dv = DictVectorizer().fit_transform(X_train)
print(dv)
运行结果如图所示。
确实发现循环变量 i 一旦变成 2 就会出错，我目前敢确定个人方向是对的，就是数据格式须要作转换，可是这里确定有一些细节我没注意。我首先猜想问题出在 X_train，先打印一下 X_train 看看，代码以下：
from random import random
from pandas import DataFrame
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
df = DataFrame({'X1': [random()for _ in range(100)], 'X2': [random()for _ in range(100)]})
X_train, X_test = train_test_split(df, random_state=0)
print(X_train)
li = []
for i in range(75):
print(i)
li.append({'X1': X_train['X1'][i], 'X2': X_train['X2'][i]})
dv = DictVectorizer().fit_transform(X_train)
print(dv)
运行结果如图所示。
咱们能够发现 X_train 最左边有一列是一列无序的整数，这一列是索引列，索引无序而且有大于 75 的数，这说明了在 train_test_split 里面进行训练集测试集分离的过程当中是带着原来的索引进行分离，分离以后并不会对索引进行更新，既然如此只须要对索引进行迭代就好了，代码以下：
from random import random
from pandas import DataFrame
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
df = DataFrame({'X1': [random()for _ in range(100)], 'X2': [random()for _ in range(100)]})
X_train, X_test = train_test_split(df, random_state=0)
X_train = [{'X1': X_train['X1'][i], 'X2': X_train['X2'][i]}for i in X_train.index]
dv = DictVectorizer().fit_transform(X_train)
print(dv)
运行结果如图所示。
确实没有报错了，输出结果看看就好，毕竟我瞎构造的数据没有一点实际意义，若是还有报错的能够后台回复“加群”，备注：小陈学Python，不备注但是会被拒绝的哦~！
本文分享自微信公众号 - Python机器学习算法说书人（Python-ML-Algorithm）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。