Python机器学习实战：如何处理非数值特征

机器学习实战：这里没有艰深晦涩的数学理论，我们将用简单的案例和大量的示例代码，向大家介绍机器学习的核心概念。我们的目标是教会大家用Python构建机器学习模型，解决现实世界的难题。

机器学习模型要求输入为数值变量，特征必须是大小为(n_samples, n_features)的数值矩阵，目标是(n_samples, 1)的数值向量。但现实世界的数据集有可能包含非数值数据，例如分类变量，文本数据和图像。

这时候需要进行数据预处理（data preprocessing），即采用一些技巧将非数值变量转换为数值变量。

1. 分类变量

分类变量通常分为两种：有序和无序。

• 有序：类别可以相互比较，有大小之分，可以直接转化为数值变量。假设代表收入的变量’income’有3个类别，‘low’,‘medium’,‘high’，分别代表低收入，中等收入，高收入，类别是可以直接比较的，并且可以排序，‘low’ < ‘medium’ < ‘high’。
• 无序：类别不可以比较，需要引入虚拟变量(dummy variable)，常用编码技术是独热编码(one-hot encoding)。例如代表性别的变量’gender’有两个类别，‘male’和’female’，但’male’ < 'female’的关系并不成立。

将分类变量转化为数值变量有两种常用方法：标签编码和独热编码。

1.1 标签编码

标签编码(label encoding): 将分类变量的类别编码为数字。

用sklearn.preprocessing.LabelEncoder实现，将包含k个类别的分类变量编码为$0,1,2,...(k-1)$

标签编码一般不用于特征，而是用于目标变量。

假设一个代表性别的特征’gender’，包含两个类别：‘male’,‘female’。标签编码将类别编码为整数，0代表男性，1代表女性。但这不符合模型背后的假设，因为机器学习模型认为数据有算数含义，例如0 < 1，这意味着男性 < 女性，但这种关系不成立。一般会使用独热编码处理分类特征，标签编码仅用于分类目标。

接下来说明如何使用标签编码，假设目标变量代表股票价格趋势，有3种可能的类别，‘up’,‘down’,‘range’.

from sklearn.preprocessing import LabelEncoder

# 目标变量
y = ["up", "up", "down", "range", "up", "down", "range", "range", "down"]

# 创建LabelEncoder对象
le = LabelEncoder()

# 拟合数据
le.fit(y)

# 查看包含哪些类别
print("classes: ", le.classes_)

# 编码为数字
print("encoded labels: ", le.transform(y))

# 调用inverse_transform实现反向操作
print("inverse encoding: ", le.inverse_transform([0, 1, 2]))

classes:  ['down' 'range' 'up']
encoded labels:  [2 2 0 1 2 0 1 1 0]
inverse encoding:  ['down' 'range' 'up']

1.2 独热编码

独热编码(one hot encoding): 将包含m个类别的分类变量转化为$n\ast m$的二元矩阵，n是观测值数量，m是类别数量。

假设分类变量’car_type’，表示汽车类型，包含类别(BMW, Tesla, Audi)，独热