机器学习数据中类别变量（categorical variable）的处理方法

类别变量（categorical variable）：只有有限个值得变量，如性别就是一个类别变量，类似于这种。

如果不对这些变量做预处理，训练出来的模型可能是错误的。
主要有三种方法来处理这个变量。
如何从数据中找到类别变量？
我们可以对每一列检查它的数据类型，某列的数据类型为”object"，表明该列有文本（也可能是其他的，但对我们的目标来说不重要），某列是数据是文本，则该列表示类别变量。
代码如下：

# 获得类别变量的列名，存放在列表中
s = (X_train.dtypes == 'object')
object_cols = list(s[s].index)  

1.直接删除类别变量。

这种方法最简单，如果类别变量不包含有用的信息的话，直接删除。

drop_X_train = X_train.select_dtypes(exclude=['object'])#测试数据也要做相同的操作

2.标签编码（Label Encoding）

类别变量可能的值有顺序，将每个可能值分配给不同的整数。如，从不（0）<很少（1）<经常（2）<每天（3）。我们将这种有顺序的类别变量称为序数变量（ordinal variable ）

Scikit-Learning有一个LabelEncoder类，可以用来获取标签编码。我们对分类变量进行循环，并将标签编码器分别应用于每一列。

在此步前通常要查看类别变量在有没有某些值只在验证集出现，如果有的话，直接使用下面这个类来做标签编码会抛出一个错误。因为这些值只在验证集出现。LabelEncoder不会给他们指派整数值。可以编写一个自定义标签编码器来处理类别变量中的新类别。最简单的方法是删除有问题的分类变量。
下面这段代码将有问题的列保存到Python列表‘bad_Label_cols’中。同样，可以安全地进行标签编码的列存储在‘good_Label_cols’中。并将bad_Label_cols的列删除。

object_cols = [col for col in X_train.columns if X_train[col].dtype == "object"]

# Columns that can be safely label encoded
good_label_cols