机器学习 数据预处理之特征编码（归纳整理版）

特征编码

由于机器学习算法都是在矩阵上执行线性代数计算，所以参加计算的特征必须是数值型的，对于非数值型的特征需要进行编码处理。对于离散型数据的编码，我们通常会使用两种方式来实现，分别是标签编码和独热编码

标签编码

将类别型特征从字符串转换为数字

特点：

• 解决了分类编码的问题，可以自由定义量化数字
• 数值本身没有任何含义，仅是标识或者排序的作用
• 可解释性比较差

适用范围：

• 对于定序类型的数据，使用标签编码更好，虽然定序类型也属于分类，但是其有排序逻辑
• 对数值大小不敏感的模型（如树模型），建议使用标签编码

方式一：map 或 replace

import pandas as pd
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.feature_extraction import DictVectorizer

df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'], 
            ['red', 'L', 13.5, 'class2'], 
            ['blue', 'XL', 15.3, 'class1']])

df.columns = ['color', 'size', 'prize', 'class label']
df

class_mapping = {
     label:idx for idx,label in enumerate(set(df['class label']))}

df['class label'] = df['class label'].map(class_mapping)
df

size_mapping = {
     
           'XL': 3,
           'L': 2,
           'M': 1}

df['size'] = df['size'].map(size_mapping)
df

color_mapping = {
     
           'green': 1,
           'red': 2,
           'blue': 3}

df['color'] = df['color'].map(color_mapping)
df

反向变换

inv_color_mapping = {
     v: k for k, v in color_mapping.items()}
inv_size_mapping = {
     v: k for k, v in size_mapping.items()}
inv_class_mapping = {
     v: k for k, v in class_mapping.items()}

df['color'] = df['color'].map(inv_color_mapping)
df['size'] = df['size'].map(inv_size_mapping)
df['class label'] = df['class label'].map(inv_class_mapping)
df

方式二：sklearn LabelEncoder

将离散型的数据转换成 $0$ 到 $n-1$ 之间的数

df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'], 
            ['red', 'L', 13.5, 'class2'], 
            ['blue', 'XL', 15.3, 'class1']])

df.columns = ['color', 'size', 'prize', 'class label']
df

# 将类别标签转化为数值
class_le = LabelEncoder()
df['class label'] = class_le.fit_transform(df['class label'])
df

# 反向变换可以用函数 inverse_transform
df['class label'] = class_le.inverse_transform(df['class label'])
df

独热编码

采用 $N$ 位状态寄存器来对 $N$ 个可能的取值进行编码，每个状态都由独立的寄存器来表示，并且在任意时刻只有其中一位有效

特点：

• 解决了分类器不好处理分类变量的问题，同时也可以扩展特征
• 编码后的属性是稀疏的，存在大量的零元分量
• 当类别非常多时，特征空间会非常大，容易导致维度灾难的问题

适用范围：

• 适用于定类类型的数据，该类型数据是纯分类，不进行排序，互相之间也没有逻辑关系
• 对数值大小敏感的模型，必须使用独热编码

方式一：sklearn DictVectorizer

将 {特征名称:特征值} 字典组成的列表转化为数组或稀疏矩阵，当特征值为字符串时，就会对特征进行独热编码

df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'], 
            ['red', 'L', 13.5, 'class2'], 
            ['blue', 'XL', 15.3, 'class1']])

df.columns = ['color', 'size', 'prize', 'class label']
df

# 将类别标签转化为数值
class_le = LabelEncoder()
df['class label'] = class_le.fit_transform(df['class label'])
df

# 获取特征
feature = df.iloc[:,:-1]
feature

# 由 {特征名称:特征值} 字典组成的列表
feature.transpose().to_dict().values()

dict_values([{‘color’: ‘green’, ‘size’: ‘M’, ‘prize’: 10.1}, {‘color’: ‘red’, ‘size’: ‘L’, ‘prize’: 13.5}, {‘color’: ‘blue’, ‘size’: ‘XL’, ‘prize’: 15.3}])

dvec = DictVectorizer(sparse=False)

X = dvec.fit_transform(feature.transpose().to_dict().values())
X

可以调用 get_feature_names 来返回新的列的名字，其中0和1就代表是不是这个属性

X = pd.DataFrame(X, columns=dvec.get_feature_names())
X.join(df['class label'])

方式二：sklearn OneHotEncoder

df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'], 
            ['red', 'L', 13.5, 'class2'], 
            ['blue', 'XL', 15.3, 'class1']])

df.columns = ['color', 'size', 'prize', 'class label']
df

# 将类别标签转化为数值
class_le = LabelEncoder()
df['class label'] = class_le.fit_transform(df['class label'])
df

ohe = OneHotEncoder(sparse=False) # Will return sparse matrix if set True else will return an array.

X = ohe.fit_transform(df[['color','size']].values)
X

X = pd.DataFrame(X, columns=ohe.get_feature_names())
X.join(df[['prize','class label']])

方式三：pandas get_dummies

Pandas库中同样有类似的操作，使用 get_dummies 也可以得到相应的特征

df = pd.DataFrame([
            ['green', 'M', 10.1, 'class1'], 
            ['red', 'L', 13.5, 'class2'], 
            ['blue', 'XL', 15.3, 'class1']])

df.columns = ['color', 'size', 'prize', 'class label']
df

# 将类别标签转化为数值
class_le = LabelEncoder()
df['class label'] = class_le.fit_transform(df['class label'])
df

# 对整个DF使用 get_dummies 将会得到新的列
pd.get_dummies(df)

---

本文到此结束，后续将会不断更新，如果发现上述有误，请各位大佬及时指正！