机器学习Notes之编码转换

对于某一个特征，比如频率，原始数据可能时low、mid、high这种字符类型，模型是没办法利用这些信息的，所以应当把这种字符类型的变量转变成数值类型的变量。
pandas实现：
最常用的是pd.factorize()，返回值为一个元组，分别表示转换之后的数字和原来的index。我们应该取元组的第一个元素作为我们的结果。

data = pd.read_csv('../dataset/dataTrain.csv')
data["f3"] = pd.factorize(data["f3"])[0]

但是这种方法有个缺点，先出现的编码小，后出现的编码大。比如频率越高，编码的值应该越大，但是pd.factorize()就捕捉不到这个特征，此时我们可以使用map映射。

data = pd.read_csv('../dataset/dataTrain.csv')
col_mapping = {
    "low": 0,
    "mid": 1,
    "high": 2
}
data.f3 = data.f3.map(col_mapping)

sklearn实现：和One-Hot编码相似，先fit，然后再transform

data = pd.read_csv('../dataset/dataTrain.csv')
cat_columns = ['f3']
for col in cat_columns:
    lb = LabelEncoder()
    lb.fit(data[col])
    data[col] = lb.transform(data[col])