在机器学习中处理分类数据，以Pythonic的方式将分类数据转换为数值数据。
简介
在机器学习（ML）中，大多数模型不接收非数值的数据类型。然而，大多数时候，原始数据会包含分类数据类型，不仅重要的变量可以以分类的形式出现，甚至目标变量也是如此。
因此，必须将这些变量转化为数值，以使ML模型观察模式并进行解释。将分类列或变量转换为数值的过程称为编码，目标是使变量（编码）能够容易地适应ML模型。
受限于篇幅，本文只讨论两种主要的编码类型，并分别用Python代码进行说明。
独热编码
在独热编码技术中，待检查列中的每个类别都由一个二进制向量（1和0）表示，其中每个向量元素分别表示相应类别的存在或不存在。在独热编码中，如果列名是color
，并且有3个颜色类别，比如red
，blue
和green
，这些颜色中的每一种都成为额外的附加列，如果行值为红色时，红色列返回1
而绿色和蓝色列返回0
。
来看一个例子，写一个包含两列的DataFrame
：Color
和ItemNo
，项目是数值的，而颜色是分类。
import pandas as pd
data = pd.DataFrame({'colors': ['red', 'blue', 'green', 'red', 'blue'],
'ItemNo': [3, 2, 7, 5, 9]})
print(data)
查看DataFrame
的输出来进行确认，然后深入研究编码方面的问题。
colors ItemNo
0 red 3
1 blue 2
2 green 7
3 red 5
4 blue 9
接下来，对颜色列进行编码。为此可使用Python中的get_dummies
函数。
one_hot = pd.get_dummies(data)
print(one_hot)
get_dummies
函数用于将分类变量转换成虚拟变量或指示变量。虚拟变量的值可以是0或1。
输出变量one_hot
，结果如下：
ItemNo colors_blue colors_green colors_red
0 3 0 0 1
1 2 1 0 0
2 7 0 1 0
3 5 0 0 1
4 9 1 0 0
如上所示，三类颜色也变成了列，因此凡是行值为红色的地方，在colors_red
列下返回1
，在colors_blue
和colors_green
下返回0
，反之亦然。
标签编码
当层次结构很重要时，标签编码用于将分类数据转换为数值数据。整数值是根据类别的层次结构进行排序的。
众所周知，在教育领域，博士的等级高于硕士，然后是学士。如果这属于研究目标，建议使用标签编码。
如上图所示，使用学生名单和他们各自资格的数据集。
需要根据资格的重要性对其进行编码，学士将被赋予最低值0，而硕士将被赋予中间值1，博士将被赋予最高值2。
import pandas as pd
data = pd.DataFrame({'Qualification': ['PhD', 'PhD', 'BSc', 'MSc', 'MSc'],
'Student_Count': [12, 12, 40, 21, 30]})
print(data)
为了进行标签编码，需要从Scikit Learn库导入LabelEncoder
类。然后创建一个新的列（命名为encoded_Ranks
），并添加到数据集中。
from sklearn.preprocessing import LabelEncoder
label_encoder = LabelEncoder()
data['encoded_Ranks'] = label_encoder.fit_transform(data['Qualification'])
print(data)
在新创建的栏目中，矢量值（0、1和2）将对照资格栏显示。见下表：
Qualification Student_Count encoded_Ranks
0 PhD 12 2
1 PhD 12 2
2 BSc 40 0
3 MSc 21 1
4 MSc 30 1
而后，可以将
Qualification
列从训练ML模型的训练集中删除。
机器学习中的其他类型的编码是二进制编码和计数编码。二进制编码类似于独热编码，因为它创建了新的列并添加到数据集中，而计数编码的工作原理是根据观察到的次数（从行开始）将值分配给每个类。
总结
为了学习ML时最常见的编码类型，我们定义、解释并试验了Python代码。同时，文中还列出了不常见的类型并解释了每种类型的缺点。总而言之，编码只是将分类数据类型转换为数值，以方便训练ML模型。
推荐书单
《TensorFlow机器学习项目开发实战》
《TensorFlow机器学习项目开发实战》详细阐述了与TensorFlow项目开发相关的基本解决方案，主要包括TensorFlow和机器学习概述、利用机器学习探测外太空中的系外行星、情感分析、数字分类、语音到文本的转换、预测股票价格、信用卡欺诈检测、贝叶斯深度学习、图像匹配和分类、推荐系统、大规模对象检测、生成图书脚本、深度强化学习与游戏、部署机器学习模型等内容。
此外，《TensorFlow机器学习项目开发实战》还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
《TensorFlow机器学习项目开发实战》既可作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。
购买链接：http://product.dangdang.com/27949727.html
精彩回顾
《使用ChatGPT API创建Python文档，竟然如此简单》
《餐厅数据一网打尽，用Python采集并分析TripAdvisor》
《得来全不费功夫，使用Python爬虫自动采集Cookies、URL等网页数据》
长按关注《Python学研大本营》，加入读者群 长按访问【IT今日热榜】，发现每日技术热点
