对于新手在做资料的特征工程时,会看到 Label Encoding 或 One Hot Encoding 两种对于类别行资料的编码方式,那他们之间究竟有什么不同呢?
直接讲结论:
- 原始资料是有序离散值的话 => Label Encoding
- 原始资料是无序离散值的话 => One Hot Encoding (Dummies)
以下分为两点说明:
为什么要将离散转数值?
因为大部分的模型都是基于数学运算,所以字串资料是无法运算的
为什么要将无序转 One-Hot?
所谓数学运算一般泛指用距离代表相似(几何观点),意思是会用转换后的两个值的差距作为其相似程度。
如果将性别栏位的男/女转换成 0, 1 ,二元的没问题
如果讲水果这个无序栏位中的频果、香蕉、西瓜,Label 成0, 1, 2 会隐含着「香蕉跟苹果」比「西瓜跟苹果」还要相似的意义,但这样是错误的。
如果是年龄这个有序栏位的老年、中年、少年,Label 成 0, 1, 2 就很恰当,到如果硬转成 One-Hot 反而将这个差距关系给拿掉。
在 Python 中实现
很巧的是,在 Python Pandas 跟 SciKit-Learn 两个套件中都有提供编码的操作。以下分别示范用法的不同:
① LabelEncoding
df = pd.DataFrame({'size':['XX