版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/duxu24/article/details/76233364
整理类别型数值(Categorical Data)
创建数据：
import pandas as pd
df = pd.DataFrame([
['green', 'M', 10.1, 'class1'],
['red', 'L', 13.5, 'class2'],
['blue', 'XL', 15.3, 'class1']])
df.columns = ['color', 'size', 'price', 'classlabel']
df
----------
color size price classlabel
0 green M 10.1 class1
1 red L 13.5 class2
2 blue XL 15.3 class1
映射有序特征(Mapping ordinal features)——size
size_mapping = {
'M':1,
'L':2,
'XL':3
}
df['size'] = df['size'].map(size_mapping)
----------
color size price classlabel
0 green 1 10.1 class1
1 red 2 13.5 class2
2 blue 3 15.3 class1
编码类别标签(encoding class labels)——classlabel
import numpy as np
class_mapping = {label:idx for idx,label in
enumerate(np.unique(df['classlabel']))}
class_mapping
----------
{'class1': 0, 'class2': 1}
df['classlabel'] = df['classlabel'].map(class_mapping)
df
----------
color size price classlabel
0 green 1 10.1 0
1 red 2 13.5 1
2 blue 3 15.3 0
inv_class_mapping = {label: idx for idx, label in class_mapping.items()}
df['classlabel'] = df['classlabel'].map(inv_class_mapping)#还原
在scikit-learn中有个LabelEncoder类，可方便实现以上功能：
from sklearn.preprocessing import LabelEncoder
class_le = LabelEncoder()
y = class_le.fit_transform(df['classlabel'].values)
y
----------
array([0, 1, 0])编码名词性特征(encoding nominal labels)——color
如上所述方法，是使用一个简单的字典映射，将有序、有大小的特征转化为数值型特征。在此，也可以使用该方法重新编码color特征：
- blue ——0
- green——1
- red——2
X = df[['color', 'size', 'price']].values
color_le = LabelEncoder()
X[:, 0] = color_le.fit_transform(X[:, 0])
X
----------
array([[1, 1, 10.1],
[2, 2, 13.5],
[0, 3, 15.3]], dtype=object)如果数据处理过程仅至此，并将数据输入模型，这样我们就犯了一个在处理分类数据时常常犯的一个错误。虽然color值并没有转化为特殊的有序值，但是学习算法会默认为(假设)green(1)大于blue(0)，red(2)大于green(1)。虽然这种假设方法并不正确，但是算法还是会产生有效的预测结果。然而，这并非是最佳结果。
在这种情况下，有效的方法是——one-hot编码技术。
- 技术思想：to create a new dummy feature for each unique value in the nominal feature column.
pd.get_dummies(df[['price', 'color', 'size']])
----------
price size color_blue color_green color_red
0 10.1 1 0 1 0
1 13.5 2 0 0 1
2 15.3 3 1 0 0