简单来说 LabelEncoder 是对不连续的数字或者文本进行编号(连续的会是同一个编号)
分类,但有排序逻辑关系,等级上高于定类。 比如,学历分小学,初中,高中,本科,研究生, 各个类别之间存在一定的逻辑,显然研究生学历是最高的,小学最低。 这时候使用Label encoding会显得更合适, 因为自定义的数字顺序可以不破坏原有逻辑,并与这个逻辑相对应。from sklearn.preprocessing import LabelEncoder le = LabelEncoder() le.fit([1,5,67,100]) le.transform([1,1,100,67,5]) 输出: array([0,0,3,2,1])#有顺序的
OneHotEncoder 用于将表示分类的数据扩维: (one-hot encoding 独热编码(哑变量))
纯分类,不排序,没有逻辑关系。比如性别分男和女,男女不存在任何逻辑关系, 我们不能说男就比女好,或者相反from sklearn.preprocessing import OneHotEncoder ohe = OneHotEncoder() ohe.fit([[1],[2],[3],[4]]) ohe.transform([2],[3],[1],[4]).toarray() 输出:[ [0,1,0,0] , [0,
对python 数据处理中的LabelEncoder 和 OneHotEncoder详解
最新推荐文章于 2024-08-09 12:43:50 发布
本文详细介绍了Python中用于特征编码的数据处理技术LabelEncoder和OneHotEncoder。通过实例展示了如何将分类特征如性别、国家和运动转换为数值编码,以便于机器学习模型使用。例如,性别特征['男', '女']经过处理变为'男': 10, '女': 01,以此类推,最后将多个特征组合成完整的数字化表示。"
123112360,8343240,WPF中的Grid表格布局详解,"['WPF', '前端开发', '桌面应用']
摘要由CSDN通过智能技术生成