3、非数值型的分类变量

非数值型的分类变量

有很多非数字的数据，这里介绍如何使用它来进行机器学习。

在本教程中，您将了解什么是分类变量，以及处理此类数据的三种方法。

本课程所需数据集夸克网盘下载链接：https://pan.quark.cn/s/9b4e9a1246b2
提取码：uDzP

1、简介

一个分类变量只接受有限数量的值。

• 考虑一个调查，询问你多久吃一次早餐，并提供四个选项：“从不”，“很少”，“大多数天”或“每天”。在这种情况下，数据是分类的，因为响应属于一组固定的类别。
• 如果人们回答了一份关于他们拥有哪个品牌汽车的调查，响应将属于类别，如“本田”，“丰田”和“福特”。在这种情况下，数据也是分类的。

如果你尝试在没有预处理的情况下将这些变量输入大多数Python机器学习模型中，你将会收到错误。在本教程中，我们将比较三种用于准备分类数据的方法。

2、三种方法的使用

1) 删除分类变量

处理分类变量最简单的方法是从数据集中删除它们。这种方法只有在列中不包含有用信息的情况下才能很好地工作。

2) 有序编码

Ordinal encoding 标签编码将每个惟一值分配给不同的整数。

这种方法假设类别的顺序为:“Never”(0)<“rare”(1)<“Most days”(2)<“Every day”(3)。

在本例中，这个假设是有意义的，因为对类别有一个无可争议的排名。并不是所有的分类变量在值中都有一个明确的顺序，但是我们将那些有顺序的变量称为有序变量。对于基于树的模型(如决策树和随机森林)，可以期望标签编码能够很好地处理有序变量。

3) One-Hot 编码

One-Hot 编码创建新列，指示原始数据中每个可能值的存在(或不存在)。为了理解这一点，我们将通过一个示例进行介绍。

在原始数据集中，“Color”是一个类别变量，有三个类别：“Red”、“Yellow” 和 “Green”。

对应的独热编码包含每个可能值的一列，以及原始数据集中每行的一行。当原值为“Red”时，我们在“Red”列中加1；如果原值为“Yellow”，我们在“Yellow”列中加1，依此类推。与有序编码不同，一个One-Hot不假定类别的顺序。

​ 与有序编码不同，一个One-Hot不假定类别的顺序。

因此，如果分类数据中没有明确的顺序（例如，“Red”既不大于也不小于“Yellow”），可以预期这种方法特别有效。我们把没有内在排序的分类变量称为名义变量。

如果类别变量具有大量值（即，通常不会将其用于超过15个不同值的变量），独热编码通常在分类变量取大量值时表现不佳。

3、举例

在前一个教程中，我们将使用墨尔本住房数据集。

我们将不关注数据加载步骤。相反，您可以想象您已经拥有了 X _ train、 X _ valid、 y _ train 和 y _ valid中的训练和验证数据。

In [1]:

import pandas as pd
from sklearn.model_selection import train_test_split
#读取数据
data = pd.read_csv('E:/data_handle/melb_data.csv')
#从预测器中分离目标
y =data.Price
X = data.drop(['Price'],axis=1)
#将数据划分为训练和验证子集
X_train_full, X_valid_full, y_train, y_valid = train_test_split(X, y, train_size=0.8,test_size=0.2,random_state=0)
#删除有缺少值得列
cols_with_missing = [col for col in X_train_full.columns
                     if X_train_full[col].isnull().any()]
X_train_full.drop(cols_with_miss