训练集预处理之处理分类数据

名词特征和序数特征

在分类数据时，需要区分名词特征和序数特征。序数特征可以理解为可排序的分类值。例如T恤的尺寸就是一个序数特征，因为其可以定义顺序XL>L>M。相反，名词特征不代表任何顺序，比如T恤的颜色就是一个名词特征，因为说一种颜色大与另外一种颜色是不正确的。

首先创建一个DataFrame，我们使用不同的技术来处理这些分类数据

df = pd.DataFrame([['green', 'M', 10.1, 'class2'],
                   ['red', 'L', 13.5, 'class1'],
                   ['blue', 'XL', 15.3, 'class2']])

df.columns = ['color', 'size', 'price', 'classlabel']

print(df)

   color size  price classlabel
0  green    M   10.1     class1
1    red    L   13.5     class2
2   blue   XL   15.3     class1

新创建的DataFrame中包含一个名词(color)特征列，一个序数(size)特征列，一个数值特(price)征列，最后一列为分类标签。

 

映射序数特征

为确保机器学习算法能够正确的解读序数特征，需要将分类字符串转换成整数。但是找不到可以自动导出特征尺寸正确顺序的比较方便的函数，因此需要定义映射关系。

size_mapping = {
    'XL' : 3,
    'L' : 2,
    'M' : 1
}
df['size'] = df['size'].map(size_mapping)
print(df)

   color  size  price classlabel
0  green     1   10.1     class1
1    red     2   13.5     class2
2   blue     3   15.3     class1

如果想之后再将整型数值转换为原来的字符串类型，可以定义一个反向映射字典，然后再变换后的特征列上调用pandas的map方法来应用

inv_size_mapping = {v: k for k, v in size_mapping.items()}
df['size'] = df['size'].map(inv_size_mapping)
print(df)