一文凑齐四种变量转换方法！

在一份数据集中通常会遇见两类数据——数值型与类别型，数值型变量通常就是int、float类型，类别型变量就是object类型，也就是我们总说的字符型变量。如果更官方地讲，数值型变量被称作定量变量、类别型变量被称作定性变量。

数值型变量主要体现在连续值和离散值：

• 连续值：体温、房屋面积等
• 离散值：人数、个数等

我们都知道在大多数机器学习算法中都要与"距离"多多少少都会有些关系，所以只允许传入数值型变量，在不需要做其它处理的前提下，原始数据集中的数值型变量都是可以直接使用的，典型的算法代表有支持向量机、逻辑回归、KNN算法等。

当然也有算法是可以处理字符型变量的，比如朴素贝叶斯、决策树、随机森林等，这类模型不关心变量的取值，而是注重变量间的分布状况和变量之间的条件概率，但如果要通过sklearn调用这些算法的API时，规定也必须要传入数值型变量才合法。所以这个时候通常会面对一个问题，如何将字符型变量转化成数值型变量呢？

LabelEncoder

我自己随意构建了一个数据集，共有五个特征，一个类标签，可以看到只有Age和Heat是数值型变量，其余四个皆为字符型(类别型)变量。如果不调用任何API要将一列字符型数据转化为数值型数据，可以利用自定义函数结合apply或map函数实现，先以标签变量Label举例。

def label(e):
    if e == '猛男':
        return 0
    if e == '美女':
        return 1
    else:
        return 2
Data["Label"] = Data["Label"].apply(label)

这种方式针对类别较少的特征还算可行，但是类别一多，if语句会写吐的，并且可观性极差极差！在sklearn中有专门处理类别标签的API，只需要索引出对应的标签变量并传入即可。

from sklearn.preprocessing import LabelEncoder
LabE = LabelEncoder()#实例化
label = LabE.fit_transform(Data1.iloc[:,-1])
Data1.iloc[:,-1] = label
#一行表示
#Data1.iloc[:,-1] = LabelEncoder().fit_transform(Data1.iloc[:,-1])

一行表示是上面的化简形式，最后的效果都是相同的，实例化之后还可以通过相应的方法获取标签变量中的类别。

LabE.classes_
'''
array(['猛男', '美女', '靓仔'], dtype=object)
'''

最后运行的结果如下：

OrdinalEncoder

处理过标签变量之后，自然也要处理特征中的，方法呢可以选择利用上文提及的自定义函数的方法，但很明显的弊端就是每一列都需要一个自定义函数，导致效率太低了。sklearn中也有处理特征中为类别型变量的API，使用方法与上文大体相同：

扫描二维码关注公众号，回复： 11577791 查看本文章

from sklearn.preprocessing import OrdinalEncoder
Data2 = Data1.copy()
OrE = OrdinalEncoder()#实例化
Data2.iloc[:,2:-1] = OrE.fit_transform(Data2.iloc[:,2:-1])
#Data2.iloc[:,2:-1] = OrdinalEncoder().fit_transform(Data2.iloc[:,2:-1])

与LabelEncoder最大不同之处就是OrdinalEncoder要求传入数据不能为一维，意思就是如果你只想转换一个特征(上面代码为三个)，那么你需要通过reshape(-1,1)将一维转换为二维再传入，而LabelEncoder是只针对标签变量的方法，所以自然接受一维数据。

OrdinalEncoder是没有class_方法的，取而替之的是categories_，作用也是获取传入数据每个特征的类别。

OrE.categories_
'''
[array(['女', '男'], dtype=object),
 array(['优', '差', '良'], dtype=object),
 array(['>40kg', '>50kg', '>60kg'], dtype=object)]
'''

最后运行的结果如下：

OneHotEncoder

现在我们要考虑一个问题，就是我们这么转换变量真的合理吗？上面介绍了数值型变量，这里再来简要说一下类别型变量。

类别型变量按照变量间是否存在次序关系，可以分为无序型变量和有序型变量，而有序型变量在可计算的约束下又可以说成有距变量：

• 无序型变量：数据集中的性别
• 有序型变量：数据集中的体重
• 有距变量：数据集中的成绩

先解释一下有距变量，比如上面数据集中的体重有三个类别60kg、50kg、40kg，很明显这是有序的，但是这三者间是存在可计算关系的，比如60kg-10kg=50kg，类别之间可以通过一定计算相互转换。

再看有序型变量，比如上面数据集中的成绩也有三个类别优、良、差，这三个类别并不是毫无关系，因为在某种意义上"优"强于"良"、“良"强于"差”，很明显这也是有序变量，但这可不是有距变量，因为 $优-良\neq差$是一定的。而无序变量理解起来就非常简单了，性别就是一个特别典型的例子，类别间的关系就是 $男\neq女$，这是一种"有你就没我的关系"。

前面在通过OrdinalEncoder对这三个类别型变量进行转换时，都会转换成相应的数字，从算法的角度来讲，如果你给我传入的数据为数字，那么我就认为它是可以相互计算的，但是数字是有大小之分的，2和0参与计算起到的作用自然不同。

但我们已经清楚只有有距变量才有这样的相互计算的性质，而无序变量和有序变量经过编码转换后被误解成了有距变量，忽略掉了数字本身的性质，自然会影响后期的建模，而对于这样的变量可以利用独热编码将原本变量转化为哑变量。

from sklearn.preprocessing import OneHotEncoder
OneHot = OneHotEncoder()#实例化
result = OneHot.fit_transform(Data1.iloc[:,2:4]).toarray()
OneHotnames = OneHot.get_feature_names().tolist()#获取新特征名称
OneHotDf = pd.DataFrame(result,columns=OneHotnames)
Data3.drop(columns=['Sex','Grade'],inplace=True)
Data3 = pd.concat([OneHotDf,Data3],axis=1)

最后运行的结果如下：

这个新建的DataFrame中的左半部分是由许多新的特征构成，每个特征只包含0和1两个元素，其中1代表有、0代表没有。比如Sex特征中包含两个元素"男"和"女"，而这两个元素就可以通过哑变量转化形成两个新的特征。Sex特征中为"男"的样本在新特征"x0_男"中就为1，在"x0_女"中就为0，反之可推出Sex中的"女"在新特征中的分布。

Dummy Coding

上面利用OneHotEncoder进行哑变量转换略显复杂，在Pandas库中也有相应的方法可以起到同样的效果。

Data4 = pd.get_dummies(Data4)

一行代码显得更加整洁，最后运行结果如下，在get_dummies也有很多参数可以设置，比如新特征的名字等。

这里再介绍一下虚拟变量，虚拟变量和独热编码十分相似，不同之处在于虚拟变量比独热编码少生成一个变量，下图就是虚拟变量的一种形式。

在转换为虚拟变量后，以Grade这一特征为例，可以看到删去了"Grade_良"这一新特征，因为对于一个人的成绩而言，“优"和"差"这两个特征足以表达出所有的信息，如果一个人成绩不是"优"和"差”，那一定就是"良"，所以原数据经独热编码后是有冗余的，而虚拟变量则很好地删去冗余，相应的代价就是虚拟变量在表达上没有独热编码直观。

参考链接：
[1].https://blog.csdn.net/weixin_30732825/article/details/101073774
[2].https://www.bilibili.com/video/BV1qt411C7PX