Ajustement SVM classifier de sklearn avec des données d'un pandas DataFrame

Question

J'essaye d'employer SVM mais je ne sais pas comment adapter le modèle quand j'emploie la trame de données de pandas. Si mes données ressemble à ceci:

df = pd.DataFrame({"x": ['011', '100', '111'] , "y": [0,1,0]}) 
df.x.apply(lambda x: np.array(list(map(int,x)))) 
>>>df 
    x   y 
0 [0, 1, 1] 0 
1 [1, 0, 0] 1 
2 [1, 1, 1] 0 

Si je tente d'ajuster le modèle de cette façon:

clf = svm.SVC().fit(df.x, df.y) 

Je reçois cette erreur:

ValueError: setting an array element with a sequence. 

Quelle est la bonne façon adapter le SVM en utilisant ce cadre de données?

Answer 1

df = pd.DataFrame({"x": ['011', '100', '111'] , "y": [0,1,0]}) 
df.x = df.x.apply(lambda x: list(map(int,x))) 

df 
      x y 
0 [0, 1, 1] 0 
1 [1, 0, 0] 1 
2 [1, 1, 1] 0 

---

df.x est une colonne de tableaux. Ce n'est probablement pas la meilleure façon de stocker des données, et il semblerait que sklearn ne soit pas très bon pour le comprendre. Il serait plus simple de tout convertir en une liste de listes et de passer que à SVC. Essayez ceci:

x = df.x.tolist() 
print(x) 
[[0, 1, 1], [1, 0, 0], [1, 1, 1]] 
SVC().fit(x, df.y) 

Answer 2

Une autre solution est le code ci-dessous.

import pandas as pd 
import numpy as np 

from sklearn.svm import SVC 

df = pd.DataFrame({"x": ['011', '100', '111'] , "y": [0,1,0]}) 
x = df.x.apply(lambda x: pd.Series(list(x))) 
x 
# Out[2]: 
# 0 1 2 
# 0 0 1 1 
# 1 1 0 0 
# 2 1 1 1 

SVC().fit(x, df.y) 
# Out[3]: 
# SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, 
# decision_function_shape=None, degree=3, gamma='auto', kernel='rbf', 
# max_iter=-1, probability=False, random_state=None, shrinking=True, 
# tol=0.001, verbose=False)