本文探讨了在数据分析中如何处理定性变量和定量变量。针对类别变量，特别是类别较少的情况，建议转换为虚拟变量。对于数值特征，为了避免不同特征权重失衡，需要进行数值映射到统一维度。此外，连续特征可通过分箱离散化，减少异常值的影响。通过计算皮尔逊系数分析特征间关系，并据此丢弃无关特征，如乘客ID等。最后，强调在特征工程中确保训练和测试数据的一致性。
1、当变量为类别变量，且变量的类别较少时，可以考虑考转换成虚拟变量来处理
In [34]:
embark_dummies = pd.get_dummies(train_data.Embarked)
# drop the original column
train_data.drop('Embarked',axis=1,inplace=True)
train_data = train_data.join(embark_dummies)
In [35]:
sex_dummies = pd.get_dummies(train_data.Sex)
# drop the original column
train_data.drop('Sex',axis=1,inplace=True)
train_data = train_data.join(sex_dummies)
In [36]:
train_data.head()
Out[36]:
| PassengerId | Survived | Pclass | Name | Age | SibSp | Parch | Ticket | Fare | Cabin | C | Q | S | female | male | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 0 | 3 | Braund, Mr. Owen Harris | 22.0 | 1 | 0 | A/5 21171 | 7.2500 | 1 | 0 |
最低0.47元/天 解锁文章
扫一扫
2803
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
