数据预处理：特征编码

1、特征编码概述

在机器学习中，处理离散属性（分类特征/类别特征）是一个重要的任务，需要将离散属性转换为可供模型使用的数值表示

机器学习算法本质上都是在基于矩阵做线性代数计算，因此参加计算的特征必须是数值型的，对于非数值型的特征需要进行编码处理

分类特征是用来表示分类的，分类特征是离散的，非连续的。例如性别（男/女）、等级（优/良/合格）等

有些分类特征也是数值，例如，账号ID、IP地址等，但是这些数值并不是连续的。连续的数字是数值特征，离散的数字是分类特征

对于离散型数据的编码，针对小型分类和大型分类，我们通常有以下几种常用的实现方式，它们各有优缺点

2、小型分类特征的编码方式

2.1、序列编码（Ordinal Encoding）

将离散特征的各个类别映射为自然数序号，适用于类别间本来就有一定的排序关系，并且不同样本之间的距离计算有一定的意义。例如，学历中的学士(0)、硕士(1)、博士(2)，学士与硕士的距离和硕士与博士的距离相等

以下是序列编码的实现方式：

1）使用Pandas

import pandas as pd

degree_list = ["硕士", "博士", "学士", "硕士"]
data = pd.DataFrame(degree_list, columns=["学历"])
# 手动编码
ordinal_map = {
   "学士": 0, "硕士": 1, "博士": 2}
data["Code"] = data["学历"].map(ordinal_map)
print(data)
'''
   学历  Code
0  硕士     1
1  博士     2
2  学士     0
3  硕士     1
'''

2）使用Scikit-Learn库

Scikit-Learn库提供了序列编码API：OrdinalEncoder

官方文档：https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OrdinalEncoder.html

中文官方文档：https://scikit-learn.org.cn/view/744.html

import numpy as np
from sklearn.preprocessing import OrdinalEncoder

# 序列编码器
enc = OrdinalEncoder()

# fit_transform()：拟合数据，自动编码，需要一个2D数组
data["Code"] = enc.fit_transform(np.array(data["学历"]).reshape(-1, 1))
print(data)
'''
   学历  Code
0  硕士   2.0
1  博士   0.0
2  学士   1.0
3  硕士   2.0
'''
# 解码
print(enc.inverse_transform(np.array(data["Code"]).reshape(-