【Python机器学习】分类向量——数字可以编码分类变量

在adult数据集的例子中，分类变量被编码为字符。一方面可能会有拼写错误，但另一方面，它明确的将一个变量标记为分类变量。无论是为了便于存储还是因为数据的手机方式，分类变量通常被编码为整数。

假设adult数据集中的人口普查数据是利用问卷收集的，workclass的回答会被记录为0、1、2、3等。现在该列包含数字0到8，而不是“private”这样的字符串。如果要观察数据集的表格，很难一眼看出这个变量应该被视为连续变量还是分类变量。但是如果知道这些数字表示的是就业状况，那么很明显它们是不同的状态，不应该用单个连续变量来建模。

pandas的get_dummies函数将所有数字看作是连续的，不会为其创建虚拟变量。为了解决这个问题，可以使用scikit-learn中的OneHotEncoder，指定哪些变量是连续的、哪些变量是离散的，也可以将数据框中的数值列转换为字符串。

为了说明这一点，我们创建一个两列的DataFrame对象，其中一列包含字符串，另一列包含数字：

demo_df=pd.DataFrame({'Tnteger Feature':[0,1,2,1],
                      'Categorical Feature':['socks','fox','socks','box']})
display(demo_df)

使用get_dummies只会编码字符串特征，不会改变整数特征：

pd.get_dummies(demo_df)

如果想为“Integer Feature”这一列创建虚拟变量，可以使用columns参数显式地给出想要编码的列，于是两个特征都会被当作分类特征处理：