将字典列表转换为特征向量

在机器学习中，经常需要将数据转换为向量形式，以便于后续处理。字典列表是一种常见的数据格式，本文将介绍如何将字典列表转换为特征向量。

字典列表

字典列表是由若干个字典组成的列表，每个字典表示一个样本，其键-值对表示样本的特征和对应的值。例如：

data = [
    {'feature1': 1, 'feature2': 3.5},
    {'feature1': 2, 'feature3': 4},
    {'feature2': 1.2, 'feature3': 2.8},
    {'feature1': 3, 'feature2': 5.1, 'feature3': 1.5}
]

这个字典列表中包含了4个样本，每个样本都由3个特征组成。但是每个样本的特征可能不完全相同，缺失的特征对应的值可以被认为是0，因此在转换为特征向量时需要注意。

特征向量

在机器学习中，通常将样本表示为一个向量，并将所有样本组成的矩阵称为特征矩阵。对于字典列表，可以将每个样本的特征按照指定的顺序排列，并转换为一个向量。例如，可以将上述字典列表转换为以下特征矩阵：

| feature1 | feature2 | feature3 | | -------- | -------- | -------- | | 1 | 3.5 | 0 | | 2 | 0 | 4 | | 0 | 1.2 | 2.8 | | 3 | 5.1 | 1.5 |

每个样本的特征向量就是上面矩阵中的一行。可以看到，由于特征不完全相同，因此矩阵中存在缺失值。可以利用NumPy库中的np.nan填充缺失值。

Python代码实现

下面是将字典列表转换为特征矩阵的Python代码实现：

import numpy as np

def dict_list_to_feature_matrix(dict_list, feature_order=None):
    if feature_order is None:
        # 确定特征顺序
        feature_order = []
        for d in dict_list:
            for feature in d.keys():
                if feature not in feature_order:
                    feature_order.append(feature)
    
    # 初始化特征矩阵
    n_samples = len(dict_list)
    n_features = len(feature_order)
    feature_matrix = np.full((n_samples, n_features), np.nan)
    
    # 填充特征矩阵
    for i, d in enumerate(dict_list):
        for j, feature in enumerate(feature_order):
            if feature in d:
                feature_matrix[i, j] = d[feature]
    
    return feature_matrix

其中，dict_list表示输入的字典列表，feature_order可以指定特征的顺序，如果不指定则会自动确定。

下面是使用这个函数将上述字典列表转换为特征矩阵的示例代码：

data = [
    {'feature1': 1, 'feature2': 3.5},
    {'feature1': 2, 'feature3': 4},
    {'feature2': 1.2, 'feature3': 2.8},
    {'feature1': 3, 'feature2': 5.1, 'feature3': 1.5}
]

feature_matrix = dict_list_to_feature_matrix(data)

print(feature_matrix)

输出结果为：

[[ 1.   3.5  nan]
 [ 2.   nan  4. ]
 [ nan  1.2  2.8]
 [ 3.   5.1  1.5]]

可以看到，转换后的特征矩阵中包含了缺失值。如果需要将缺失值替换为0，则可以使用np.nan_to_num函数：

feature_matrix = np.nan_to_num(feature_matrix, nan=0)

总结

将字典列表转换为特征向量是机器学习中常见的预处理步骤，本文介绍了如何实现这一转换，并给出了Python代码实现。对于缺失特征值，可以使用np.nan填充，也可以使用0替换。