标签编码、独热编码大不同 - Python 实现

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