机器学习 数据预处理之标签编码

1、什么是标签编码

将字符型的特征映射为整数（将字符串转换为整数）但没有被广泛使用因为求平均值之类的数据会出现问题（不过具体需求具体分析）
有[dog,cat,dog,mouse,cat]，我们把其转换为[1,2,1,3,2]。这里就产生了一个奇怪的现象：dog和mouse的平均值是cat。所以目前还没有发现标签编码的广泛使用（不过在决策树，随机森林对数据值不做要求的算法中是常见的）

调用库包代码

import  numpy as np
import sklearn.preprocessing as sp

samples = np.array([
    "盖伦","正义之剑","tanke",
    "cike","吃火锅","timo","sad",
    "lijinlei ","卡特","帅哥","傻逼","timo"
])

lab = sp.LabelEncoder()   #标签编码器
new_samples = lab.fit_transform(samples)  #用标签编码器对样本编码
print(new_samples)

n = [7, 1, 4, 3]
raw = lab.inverse_transform(n)  #用已有的标签编码器对列表反向解码
print("".join(raw))  #取出raw中的每一个元素用空字符串链接

实际案例中也可以用pandas库包中的get_dummies函数

案例代码

df = pd.read_csv('./mydata.csv', names=["area","size","3","price","ori","bed","7"])
data = df.loc[:,["size","bed","ori","price"]]
print(data.head())
# 用pandas中的方法
# 对方向列进行独热编码
dummies_ori = pd.get_dummies(df["ori"],prefix="方向_") #以样本中的方向特征值为横坐标相同的省略  一样本个数为纵坐标
# 对区域列进行独热编码
dummies_area = pd.get_dummies(df["area"],prefix="区域_") #以样本中的区域特征列的值为横左边，样本个数为横坐标
data = pd.concat([dummies_ori,data,dummies_area],axis=1)   #横向拼接

print(data.head())
data.to_csv("./new1_data.csv")

mydata.csv数据获取地址
链接: https://pan.baidu.com/s/1w-I_PTzwHUaaPEtvrbA8jQ
提取码: 42hb