背景**：we don't talk anymore
很多時候，在我們拿到的資料集裡，特徵不都是連續的值，而是由某些離散化取值的資料組成。例如，性別特徵可以具有如下取值：["male", "female"]，天氣特徵有如下取值：["rainy", "sunny", "snowy"...]。
這樣的特徵是無法直接被模型識別的，因此需要將這些特徵轉換為數學模型能動的語言，乙個很容易想到的方法就是，對這些特徵進行數位化，也就是編號，比如，["male", "female"]可以用[0, 1]表示，["rainy", "sunny", "snowy"...]可以用[0,1, 2, ...]表示。總之，對於乙個有n個類別的特徵，總是可以用[0, n-1]之間的連續整數進行編號。
# 用sklearn實現
from sklearn.preprocessing import labelencoder
le = labelencoder() # 構造編碼器
le.fit(['sunny','rainy','snowy']) # 訓練編碼器
le.classes_ # 等於array(['rainy', 'snowy', 'sunny'])
le.transform(['sunny']) # 等於array([2])
對此，我們可以選擇用獨熱編碼來解決。通俗地講，對於乙個有n個類別的特徵，總是可以構造n個新特徵來唯一表示，比如，對於性別特徵可以構造兩個新特徵，兩個新特徵的取值分別為："male"→[1, 0]，"female"→[0, 1]。總之，這n個新特徵，在任何情況下，均只有1個特徵取值為1，其他特徵取值為0，從而保證了唯一性。
# 用sklearn實現
from sklearn.preprocessing import onehotencoder
ohe = onehotencoder() # 構造編碼器
ohe.fit([[1],[2],[3],[1],[3]]) # 訓練編碼器，輸入是labelencoder得到的整數型資料
ohe.active_features_ # 等於array([1, 2, 3])
ohe.transform([[2]]).toarray() # 等於array([[ 0., 1., 0.]])
而我們將用onehotencoder編碼後的特徵當成是向量，相當於將特徵擴充套件到了歐式空間，那麼某個取值就對應著空間裡的某個點。在機器學習演算法中，特徵之間往往要進行相似性的計算，或者距離的計算，這些計算都是在歐式空間裡完成的。實際上，大部分機器學習演算法是基於向量空間中的度量來進行計算的。所以，onehotencoder編碼滿足了我們對於計算的要求。（為了通俗一點就這麼解釋啦）
上面也講到了，onehotencoder編碼的目的是擴充套件到歐式空間，便於計算距離。但是對於某些演算法，不需要計算特徵的距離，特徵是離散的也ok，那麼我們就沒必要多此一舉。比如決策樹演算法，以及以決策樹為基學習器的各類演算法。
資料預處理系列 （五）分類變數處理
博主簡介 風雪夜歸子 英文名 allen 機器學習演算法攻城獅，喜愛鑽研machine learning的黑科技，對deep learning和artificial intelligence充滿興趣，經常關注kaggle資料探勘競賽平台，對資料 machine learning和artificial...
新聞分類 資料預處理
結構化資料，是可以表示成多行多列的形式，並且，每行 列 都有著具體的含義。非結構化資料，無法合理地表示為多行多列的形式，即使那樣表示，每行 列 也沒有具體的含義。文字資料，是一種非結構化資料，與我們之前分析的結構化資料有所不同。因此，其預處理的步驟與方式也會與結構化資料有所差異。文字資料預處理主要包...
R語言 資料預處理 1分類時 因變數為數值型別
h ttp 1 因變數為數值型別，轉化為分類型別 cup98 target d2 cut cup98 target d,right f,breaks c 0,0.1,10,15,20,25,30,50,max cup98 target d breaks 也可以用 seq生成 breaks seq 0...