机器学习 数据预处理之特征编码（归纳整理版）

特征编码

由于机器学习算法都是在矩阵上执行线性代数计算，所以参加计算的特征必须是数值型的，对于非数值型的特征需要进行编码处理。对于离散型数据的编码，我们通常会使用两种方式来实现，分别是标签编码和独热编码

标签编码

将类别型特征从字符串转换为数字

特点：

• 解决了分类编码的问题，可以自由定义量化数字
• 数值本身没有任何含义，仅是标识或者排序的作用
• 可解释性比较差

适用范围：

• 对于定序类型的数据，使用标签编码更好，虽然定序类型也属于分类，但是其有排序逻辑
• 对数值大小不敏感的模型（如树模型），建议使用标签编码

方式一：map 或 replace

import pandas as pd
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.feature_extraction import DictVectorizer

df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'], 
            ['red', 'L', 13.5, 'class2'], 
            ['blue', 'XL', 15.3, 'class1']])

df.columns = ['color', 'size', 'prize', 'class label']
df

class_mapping = {
   label:idx for idx,label in enumerate(set(df['class label']))}

df['class label'] = df['class label'].map(class_mapping)
df

size_mapping = {
   
           'XL': 3,
           'L': 2,
           'M': 1}

df['size'] = df['size'].map(size_mapping)
df

color_mapping = {
   
           'green': 1