机器学习：数据预处理之将类别数据数字化的方法 —— LabelEncoder VS OneHotEncoder

LabelEncoder 和 OneHotEncoder 是什么

- 在数据处理过程中，我们有时需要对不连续的数字或者文本进行数字化处理。
- 在使用 Python 进行数据处理时，用 encoder 来转化 dummy variable（虚拟数据）非常简便，encoder 可以将数据集中的文本转化成0或1的数值。
- LabelEncoder 和 OneHotEncoder 是 scikit-learn 包中的两个功能，可以实现上述的转化过程。
- sklearn.preprocessing.LabelEncoder
- sklearn.preprocessing.OneHotEncoder 
复制代码

数据集中的类别数据

在使用回归模型和机器学习模型时，所有的考察数据都是数值更容易得到好的结果。
因为回归和机器学习都是基于数学函数方法的，所以当我们要分析的数据集中出现了类别数据(categorical data)，此时的数据是不理想的，因为我们不能用数学的方法处理它们。
例如，在处理男和女两个性别数据时，我们用0和1将其代替，再进行分析。
由于这种情况的出现，我们需要可以将文字数字化的现成方法。
复制代码

LabelEncoder 和 OneHotEncoder 的区别

具体代码

import pandas as pd
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.cross_validation import train_test_split

# 读取数据
data_df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/'
                 'breast-cancer-wisconsin/wdbc.data', header=None)

# 前面的数据是特征，最后一列是标签label
x, y = data_df.values[:, :-1], data_df.values[:, -1]

# 先实例化一个对象
encoder_x = LabelEncoder() 

# 对标签进行类别数据数字化
y = encoder_x.fit_transform( y )

复制代码