机器学习100天：004 数据预处理之类别特征编码

Posted 2023-01-06 红色石头Will

机器学习100天，今天讲的是：数据预处理之类别特征编码。

在上一节，我们对特征 X 的 NaN 值进行了平均数插值处理。

我们打开 X，查看第一列特征，国家这一列：

发现这一列特征都是字符串，例如：法国、德国、韩国。

大部分机器学习模型，字符串类别特征是不能用来直接进行数值处理和分析的，我们必须将类别型特征转化为连续型特征。通俗地来说就是把这里的字符串转化为数值。

怎么做呢？

最简单的做法是标签编码，就是直接将类别特征从字符串转换为数字，例如我们直接把法国编码为 0，德国编码为 1，韩国编码为 2。就是这样：

但是这种做法有个很大的缺点，0，1，2 在数值上是连续的，它很容易给机器学习模型一个误导，就是这些特征之间存在大小等某种数值上的关系。但是，法国、德国、韩国，这些特征量之间并不存在某种数值关系。因此，处理类别特征最常用的做法就是使用独热编码（One-hot 编码）。

One-hot 编码又称为一位有效编码，是采用 N 个状态进行编码，每个状态在任意时候只有一位有效，且为 1，其它位为 0。

例如，这里 X 的第一列国家特征，所有样本总共有三种类别：法国、德国、韩国