处理分类型特征

类别型特征的原始数据一般都是字符串形式，只有决策树等少数模型可以处理字符串的输入，对于传统的模型来说，类别型特征必须经过处理转成数值型特征。

 

处理方式有三种：

一、序号编码：用于处理类别间具有大小关系的数据。

二、独热编码：稀疏向量

三、二进制编码：第一步：给每个类别赋予ID，第二步：对ID进行二进制编码。优点：维数少，节省空间。

 

独热编码的python实现：

from sklearn.feature_extraction import DictVectorizer one hot_encoder = DictVectorizer()
x = [
    {'city':'New York'},
    {'city':'San Francisco'},
    {'city':'Chapel Hill'}
    ]
onehot_encoder.fit_transform(X).toarray())