将离散型特征使用one-hot编码,会让特征之间的距离计算更加合理。离散特征进行one-hot编码后,编码后的特征,其实每一维度的特征都可以看做是连续的特征。就可以跟对连续型特征的归一化方法一样,对每一维特征进行归一化。
from sklearn.preprocessing import OneHotEncode
enc = OneHotEncoder()
在新版本中,初始化参数有5个,分别是categories、drop、sparse、dtype、handle_unknown。本人目前是初学者,读了官方文档后,认为前四个参数不用理会,默认即可,而handle_unknown是一个比较有用的参数,默认是"error",但我认为指定为"ignore”更好,这个参数的目的是数据在转化为one-hot编码时,如果遇到一个属性值没有事先指定,程序应该怎么办?如果是error的话,程序就报错停止了,其实不方便处理数据,反而是ignore更好,程序可以继续执行,下面举个例子说明。
enc.fit([["男", 0, 3], ["男", 1, 0], ["女", 2, 1], ["女", 0, 2]])
首先训练一下数据集,提取每一列的属性种类,得到结果如下
print(enc.categories_)
[array(['女', '男'], dtype=object), array([0, 1, 2], dtype=