详解pandas编码函数pd.factorize()

概述：本文以kaggle比赛Microsoft Malware Prediction数据为例，如需数据请自行前往：

https://www.kaggle.com/c/microsoft-malware-prediction

所谓编码，自然是将一种符号编成一种数字码-----即数字变量。例如熟知的pd.get_dummies()就是讲一种字符型或者其他类型编程成一串数字向量，也就是所谓的one-hot编码。

本文想讲的另一种编码方式。pd.factorize()。factorize英文意思：分解，分解为因数，因式分解的意思。有没有想到 factorization machine~~

在这里，pd.factorize()做的也是“因式分解”，把常见的字符型变量分解为数字。

1.为什么需要pd.factorize()？哑变量变换（get_dummies）不好吗？

个人理解：当一个feature有10几种甚至几百种取值可能的时候，使用get_summies是一件很恐怖的事情。因为：
例如feature1取值有[“a”,“b”,…“z”]26中可能的话，那么显然用哑变量就会把这一个feature变为26列。显然增加了数据的稀疏性，并且没有意义（视情况而定）。这时候或许就可以用pd.factorize()了。他会把他们分解为0-25种数字。同时1列字符串经过变换后仍是一列。就不会使得数据集看上去很臃肿了。
下面来看个实例吧。

2.kaggle数据实例展示

我们现在有一批微软公司一些设备的数据：

具体数据什么意思不用在意，我们只需要关注我画红框的两列数据，这是引擎与app的版本号。显然需要编码，不然哪个模型能看得懂这个？
拿EngineVersion为例：
怎么编码呢？来个onehot如何？

我擦，上面一看这一列有25种取值呢？这就遇到了上面说的情况，onehot编码会把这一列变成25列，实在不是一种好主意。试试pd.factorize?

aaa = pd.factorize(train['EngineVersion'])
aaa

可以看到转换后，那些设备号变成了0-24的数字呢~这就对了。同时注意转换后是一个元组：
从上图也能看出来：这个元组包含两个array,分别是我们想要的数字，以及原来的index，那些设备号，所以我们真正使用应该这样用:

aaa = pd.factorize(train['EngineVersion'])
train["EngineVersion"] = aaa[0]

3.factorize真的有这么好用吗？

我想这个答案存在争议，或者说是肯定有应用场合，但目前我觉得它有如下的缺陷：
即它把字符串映射成的数字的规则是先看见的小，后看见的大。意思就是这一列的第一行，必定为0，第二行如果和第一行的取值不同，就为1，否则就是0.以此类推。也就是说它忽略了字符串代表的含义。在我们这里，设备号应该是越大越先进。而它就没有表现出来。所以在这里我认为用map映射编码更好：
即把设备号小的映射为小数字，大的为大数字，依次排序。
当然我这里也没有认真去拍，意思知道就可以了~~

mapdict = {
	'1.1.15100.1':23, 
	'1.1.14600.4':10,
 	'1.1.15200.1':3, 
 	'1.1.15300.6':4,
       '1.1.13504.0':5, '1.1.14800.3':6, '1.1.15000.2':7, '1.1.14104.0':8,
       '1.1.13804.0':8, '1.1.14306.0':8, '1.1.15000.1':8, '1.1.13407.0':8,
       '1.1.14405.2':8, '1.1.14901.4':8, '1.1.14700.3':8, '1.1.14202.0':8,
       '1.1.13303.0':8, '1.1.13701.0':8, '1.1.13000.0':8, '1.1.15300.5':8,
       '1.1.14500.5':8, '1.1.14700.5':8, '1.1.14003.0':8, '1.1.13601.0':8,
       '1.1.13903.0':8
    
}

bbb = train.EngineVersion.map(mapdict)
bbb.head()

ok~~overover