1、特征名称编码问题,特别是有中文的时候,容易遇到utf-8和unicode编码不能比较的问题
在目前python2的环境下,先对所有先运行var.encode(encoding),若本来是unicode编码会报错,可以先判断
- 计算机内存中,统一使用Unicode编码,需要保存或者传输时,转换成UTF8编码
- 而 Python2 默认编码是 ASCII编码。然而,众所周知,在需要需要转换的场景,ASCII 都是没用的(128个字符,够什么吃)
- Python 3 默认编码变为 Unicode。这也就意味着,做所有需要转换的场合,都能正确并成功的转换。
- 当在python2环境中遇到该问题时,可以:
-
所有 text string 都应该是 unicode 类型,而不是 str,如果你在操作 text,而类型却是 str,那就是在制造 bug。
- 在需要转换的时候,显式转换。从字节解码成文本,用
var.decode(encoding)
,从文本编码成字节,用var.encode(encoding)
。 - 从外部读取数据时,默认它是字节,然后
decode
成需要的文本;同样的,当需要向外部发送文本时,encode
成字节再发送。
Python3中提供了encode()和decode()两种方法
encode的作用是是将某个unicode字符串按照一定的编码方式编码成对应的字节序列。
如str.encode('utf8'),表示将unicode编码的字符串str转换成utf8编码的字节序列。
decode是一个反过程,将一个字节序列按照一定的编码方式解码成unicode字符串
如str.decode('utf8'),表示将utf8编码的字符串str转换成unicode字符串。
2、对比某个特征源中某些特征失效的影响
在相同的测试集上,对比auc发现,去掉某些特征auc反而升高。
这说明训练模型时,特征选择没有做好,还是跳槽没有调好?