如何进行多变量的建模_如何对离散变量进行数字化编码

上一篇文章《什么情况下需要对特征变量标准化》介绍了特征变量的标准化，是针对连续型数值变量，由此关联到离散的分类变量是否需要做处理呢？本文介绍三种常用方法。

(一)OneHotEncoder

在数据分析中有个重要的步骤就是辨识变量的类型，分类变量有两种，一种是定类变量，离散值之间没有大小意义，例如：水果:[苹果，香蕉，梨子]；另一种是定序变量，离散值之间有大小意义，例如学历:[小学、初中、高中]。为了提升数据分析效率，分类变量的值在数据建模分析中通常会被转换为数字特征。[苹果，香蕉，梨子]表示为[0,1,2]，[小学、初中、高中]表示为[0,1,2]。数字冠以特征值大小，对于学历没有问题。但是水果就会有问题，三种水果在通常意义下并没有大小之分，凭什么苹果是0，梨子是2呢？所以为了公平就需要换一种编码方式来标记三种水果，引出one-hot编码。对于具体样本数据[苹果，香蕉，梨子,香蕉]利用one-hot编码如下：

[苹果，香蕉，梨子,香蕉]记为[[1,0,0],[0,1,0],[0,0,1],[0,1,0]]

具体操作方法是：将总体特征值放在行，将需要编码的样本放在列，如果样本与总体值相等则记为“1”，其他记为“0”

首先引入需要的工具包，本操作的 sklearn 使 用的是0.23.1版本。

import sklearnfrom sklearn import preprocessingimport numpy as npsklearn.__version__'0.23.1'

OneHotEncoder编码过程：

genders = ['female', 'male']locations = ['from Africa', 'from Asia', 'from Europe', 'from US']browsers = ['uses Chrome', 'uses Firefox', 'uses IE', 'uses Safari']enc = preprocessing.OneHotEncoder(categories=[gen