缺失值处理及特征编码

1 缺失值处理

删除法:

1. 相应的属性全部删掉
2. 删除相应的记录

填补法:
对于数值型(real-valued)变量，我们经常使用平均法则，就是用平均值来填补缺失值。

2 特征编码

机器学习项目的核心是建模，它的基础是数据。而且，它的输入一定是数值类型的，所以我们不能把一个字符串直接作为一个模型的输入，需要把字符串转换成数值类型，比如向量或矩阵形式。

1. 标签编码
   标签编码有一个不好的地方:
   如果我们直接把类别特征看作是具体的数比如0，1，2… 那这时候，数与数之间是有大小关系的，比如2要大于1，1要大于0，而且这些大小相关的信息必然会用到模型当中。
2. 独热编码
   在标签特征的基础上需要创建一个向量。这个向量的长度跟类别种类的个数等同的，另外，除了一个位置是1，其他位置均为0， 1的位置对应的是相应类别出现的位置。
   类别型特征是没有大小的顺序的，所以独热编码来说它的顺序也无关紧要，只要我们能保证每一个类别有一个对应的编码就可以了，而且确保编码是一对一对应。

数值型变量可以直接使用到模型当中,唯一的处理就是做必要的标准化操作，让变量具有类似的取值范围。

还有一种技术叫做变量的离散化操作
连续性特征的离散化操作可以增加模型的非线性型，同时也可以有效地处理数据分布的不均匀的特点。
也可以这样理解:
1）计算简单
2）简化模型
3）增强模型的泛化能力，不易受噪声的影响
顺序（ordinal）变量:一种常见的处理方法就是把这些变量直接看作是数值型变量来处理.