skrub

.. image:: https://skrub-data.github.io/stable/_static/skrub.svg :align: center :width: 50 % :alt: skrub logo

|py_ver| |pypi_var| |pypi_dl| |codecov| |circleci| |black|

.. |py_ver| image:: https://img.shields.io/pypi/pyversions/skrub .. |pypi_var| image:: https://img.shields.io/pypi/v/skrub?color=informational .. |pypi_dl| image:: https://img.shields.io/pypi/dm/skrub .. |codecov| image:: https://img.shields.io/codecov/c/github/skrub-data/skrub/main .. |circleci| image:: https://img.shields.io/circleci/build/github/skrub-data/skrub/main?label=CircleCI .. |black| image:: https://img.shields.io/badge/code%20style-black-000000.svg

skrub（前身为 dirty_cat）是一个用于在数据框上进行机器学习的 Python 库。

如果你喜欢这个库，请帮忙宣传，并为本仓库点个赞！你也可以加入我们的 Discord 服务器 <https://discord.gg/ABaPnm7fDC>_。

官网：https://skrub-data.org/

查看我们的 示例 <https://skrub-data.org/stable/auto_examples>，或浏览我们的 学习资料 <https://skrub-data.org/skrub-materials/index.html>。

安装

skrub 可以通过 pip 或 conda 轻松安装。更多安装信息，请参阅 安装说明 <https://skrub-data.org/stable/install.html>_。

贡献

支持 skrub 开发的最佳方式就是让更多人了解它！

此外，如果你已经是 skrub 的用户，欢迎在 讨论区 <https://github.com/skrub-data/skrub/discussions>_ 分享你的使用场景和遇到的挑战。

如需报告 bug 或提出改进建议，请 新建一个议题 <https://docs.github.com/en/issues/tracking-your-work-with-issues/creating-an-issue>_。

如果你想直接为库做出贡献，请访问官网上的 如何贡献 <https://skrub-data.org/stable/CONTRIBUTING.html>_ 页面获取更多信息。

skrub 快速上手指南

skrub（前身为 dirty_cat）是一个专为 DataFrame 设计的 Python 库，旨在简化机器学习流程，特别擅长处理现实世界中“脏”或复杂的表格数据。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows、macOS 或 Linux
• Python 版本：3.8 及以上版本
• 前置依赖：建议安装 scikit-learn、pandas 和 numpy（安装 skrub 时通常会自动解决依赖）

安装步骤

您可以使用 pip 或 conda 进行安装。国内开发者推荐使用国内镜像源以加速下载。

方式一：使用 pip 安装（推荐）

使用清华大学开源软件镜像源进行安装：

pip install skrub -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 conda 安装

如果您使用 Anaconda 或 Miniconda，可以通过 conda-forge 渠道安装：

conda install -c conda-forge skrub

基本使用

skrub 的核心优势在于能够轻松将包含字符串、缺失值或非数值类型的 DataFrame 转换为机器学习模型可用的数值特征矩阵。以下是最简单的使用示例：

import pandas as pd
from skrub import TableVectorizer
from sklearn.linear_model import LogisticRegression

# 1. 创建一个包含混合类型数据的简单 DataFrame
data = {
    "age": [25, 30, 35, None],
    "department": ["HR", "Engineering", "HR", "Sales"],
    "salary": [50000, 80000, 60000, 45000],
    "performance": ["Good", "Excellent", "Average", "Good"]
}
df = pd.DataFrame(data)

# 2. 使用 TableVectorizer 自动处理分类变量和缺失值
vectorizer = TableVectorizer()
X_transformed = vectorizer.fit_transform(df)

# 3. 直接连接机器学习模型进行训练
# 假设我们有一个目标变量 y (此处仅为示例占位)
y = [0, 1, 1, 0] 

model = LogisticRegression()
model.fit(X_transformed, y)

print("数据转换成功，模型训练完成！")
print(f"转换后的特征形状: {X_transformed.shape}")

在这个示例中，TableVectorizer 自动识别了数值列（如 age, salary）和分类列（如 department, performance），并对它们进行了适当的编码和处理，无需手动编写预处理代码。