数据预处理3:处理分类型特征(2)

• preprocessing.OneHotEncoder

之前在舱门Embarked这一列中，我们使用[0,1,2]代表了三个不同的舱门，然而这种转换是正确的吗？

体重（>45kg，>90kg，>135kg） 各个取值之间有联系，且是可以互相计算的，比如120kg - 45kg = 90kg，分类之间可以通过数学计算互相转换。这是有距变量。

对特征进行编码时，三类数据被我们转化成[0,1,2]，而这在算法看来是都是体重那种分类的方法，也就是连续可计算的。

而像舱门这里S Q C和性别男女这样的只是一个名义变量而没有可计算的性质，而是有你没我的性质，这种情况下我们要使用哑变量来处理。

简言之以舱门为例,
就是把S Q C 对应0 1 2这样一个一位数组而改成放在一个二维数组中，S Q C 分别对应一个特征的1
就像
S [ [1 0 0],
Q [0 1 0],
C [0 0 1] ]

以此图数据集为例

from sklearn.preprocessing import OneHotEncoder
X = data.iloc[:,1:-1]
X.head(2)

enc = OneHotEncoder(categories='auto').fit(X)#请sklearn自己看看有多少类
result = enc.transform(X).toarray()#请把这个结果转换成数组
result
#性别 男 女 
#舱门 S Q C\
#一共五类变量
enc.transform(X)#这是一个稀疏矩阵对象是由0和1组成的矩阵

<889x5 sparse matrix of type ‘<class ‘numpy.float64’>’
with 1778 stored elements in Compressed Sparse Row format>

#依然可以直接一步到位
OneHotEncoder(categories='auto').fit_transform(X).toarray()

#依然可以还原
pd.DataFrame(enc.inverse_transform(result))

enc.get_feature_names()
#如果特征特多可以调用这个查看

再把处理好的数据放回去移除之前没有热值化的Age和Embarked

#axis=1,表示跨行进行合并，也就是将量表左右相连，
#如果是axis=0，就是将量表上下相连
newdata = pd.concat([data,pd.DataFrame(result)],axis=1)
newdata.head()

newdata.drop(["Sex","Embarked"],axis=1,inplace=True)
newdata.columns = ["Age","Survived","Female","Male","Embarked_C","Embarked_Q","Embarked_S"]
newdata.head()