在建模的时候,有时各个feature不是数值型或者连续数值分类,这种情况下需要对这些特征值进行编码,sklearn中提供了多种编码方法。
1. LabelEncoderLabelEncoder可以对不连续的数值编码,例如:
from sklearn import preprocessing
encode = preprocessing.LabelEncoder()
test = [1,2,3,2,5]
encode.fit(test)
encode.transform(test)
返回:
array([0, 1, 2, 1, 3])
对文本编码:
from sklearn import preprocessing
encode = preprocessing.LabelEncoder()
test = ['peking', 'shanghai', 'peking']
encode.fit(test)
encode.transform(test)
返回:
array([0, 1, 0])
2. OneHotEncoder对于有的数据,如果我们简单的用数值替换,这些数值大小会影响到权重矩阵的计算。其中一个解决方法就是采用OneHotEncoder,这种表示方式将每一个分类特征变量可能的取值转变成m个二值特征,对于每一条数据这m个值中仅有一个特征值为1,其他的都为0。比如:
from sklearn.preprocessing import OneHotEncoder
data = [['peking',40],
['shanghai',22],
['peking',50]]
data = pd.DataFrame(data,columns=['city','number'])
# 先转为数值型
uniq_type = data['city'].unique()
for j in range(len(uniq_type)):
data['city'] = data['city'].apply(lambda x:j if x==uniq_type[j] else x)
data2 = data[['city']]
encode2 = OneHotEncoder()
encode2.fit(data2)
encode2.transform(data2).toarray()
返回:
array([[1., 0.],
[0., 1.],
[1., 0.]])
这样将第一列分类特征变成了两列。效果类似于:
3. CountEncoderCount encoding是将分类特征替换为它们的出现次数,比如某个分类中'Peking'出现了10次,那么'Peking'就会被替换为10. 我们可以用`categorical-encodings`包中的`CountEncoder`实现。
import category_encoders as ce
features = ['Peking', 'Peking', 'Shanghai', 'Peking', 'Guangzhou', 'Shanghai']
count_enc = ce.CountEncoder()
count_enc.fit_transform(features)
返回(第一列是索引):
0 3
1 3
2 2
3 3
4 1
5 2
4. TargetEncoderTarget encoding其实就是将分类特征替换为对应目标值的后验概率。比如以下例子:
第三列编码值的计算过程其实很简单,比如说cat出现次数是5次,5次中target是1的次数有2次,因为编码值为0.4 。
import pandas as pd
from category_encoders import TargetEncoder
encoder = TargetEncoder()
df['Encoded Animal '] = encoder.fit_transform(df['Animal'], df['Target'])
参考:https://medium.com/analytics-vidhya/target-encoding-vs-one-hot-encoding-with-simple-examples-276a7e7b3e64