机器学习类别/标称（categorical）数据处理：独热编码(One Hot Encoding)

Posted 2021-09-14 Data+Science+Insight

机器学习类别/标称（categorical）数据处理：独热编码(One Hot Encoding)

序号编码：序号编码通常用于处理类别间具有大小关系的数据

可以通过导入sklearn.preprocessing中的OrdinalEncoder进行处理。

独热编码：通常用于处理类别间不具有大小关系的特征。

可以通过导入sklearn.preprocessing中的OneHotEncoder，创建哑变量进行处理。或者使用pandas的get dummy方法；

二进制编码：二进制编码主要分为两步，先用序号编码给每个类别赋予一个类别ID，然后将类别ID对应的二进制编码作为结果。

target encoding：其实就是将分类特征替换为对应目标值的后验概率。

以性别“男”、“女”和“其他”为例，分别赋予其类别ID为1，2，3，对应二进制编码为001，010，011。

二进制编码本质上是利用二进制对ID进行哈希映射，最终得到0/1特征向量，且维数少于独热编码，节省了存储空间。

（1）序号编码。常用于处理类别间具有大小关系的数据，比如成绩。

（2）one hot或者multi hot编码。常