在对数据进行预处理时，怎样处理类别型特征？

什么样的特征是类别型特征？

类别型特征主要是指性别（男/女），体型（胖/瘦/适中）等只有在选项内取值的特征，类别型特征的原始输入通常是字符串形式，除了决策树等少数模型能够直接处理字符串形式的输入，对于逻辑回归、支持向量机等模型来说，类别型特征必须经过处理转换成数值型特征才能正确工作。

序号编码

序号编码通常用于处理类别间具有大小关系的数据，例如考试的成绩可以由好到坏分为（A、B、C、D）四档，序号编码会把他们按照大小关系表示为（1、2、3、4），这样变换完了之后依然保持着大小的关系。

然而当一组数据之间不再具有大小关系的时候，如血型（A、B、AB、O）四个属性值之间是没有大小关系的（此时可以认为是几个平行关系的属性，甚至是几个完全抽象的无法理解的数据），这样的数据是不可以使用序号编码的，此时就产生了下面的方法——独热编码。

独热编码

还是以上面的血型（A、B、AB、O）为例，可以表示为：

A:[1,0,0,0]

B:[0,1,0,0]

AB:[0,0,1,0]

O:[0,0,0,1]

独热编码的两个问题：

• 独热编码使用稀疏矩阵来节省空间，独热编码下特征向量只有某一维取值为1，其他的位置均取0，因此可以利用稀疏矩阵有效地节省空间，并且目前大部分算法都接受稀疏向量形式的输入。
• 在KNN算法中，高维空间中的两点之间的距离很难衡量；在逻辑回归中参数的数量会随着维度的增高而增加，容易引起过拟合的问题；维度过大的时候我们可以通过特征选择来降低维度。

二进制编码

二进制编码先给每个类别赋予一个类别ID，然后再将ID对应的二进制编码作为结果。依然用血型的例子可以得到如下的结果：

血型	类别ID	二进制表示
A	1	001
B	2	010
AB	3	011
O	4	100

相对于独热编码，二进制编码更加紧凑，节省存储空间。（效果未必更好）

统计编码

统计各类别在训练集中出现的频率，并将频率作为新的特征。
在某些情况下，具有统计意义的统计编码也是一种值得尝试的技巧。