机器学习中的常用编码方式（一）

在建模的时候，有时各个feature不是数值型或者连续数值分类，这种情况下需要对这些特征值进行编码，sklearn中提供了多种编码方法。

1). LabelEncoder 可以对不连续的数值编码，例如：

from sklearn import preprocessing
encode = preprocessing.LabelEncoder()
test = [1,2,3,2,5]
encode.fit(test)
encode.transform(test)

返回： array([0, 1, 2, 1, 3])

对文本编码：

from sklearn import preprocessing
encode = preprocessing.LabelEncoder()
test = ['peking', 'shanghai', 'peking']
encode.fit(test)
encode.transform(test)

返回： array([0, 1, 0])

2). OneHotEncoder 对于有的数据，如果我们简单的用数值替换，这些数值大小会影响到权重矩阵的计算。其中一个解决方法就是采用OneHotEncoder，这种表示方式将每一个分类特征变量可能的取值转变成m个二值特征，对于每一条数据这m个值中仅有一个特征值为1，其他的都为0。比如：

from sklearn.preprocessing import OneHotEncoder

 data = [['peking',40],
        ['shanghai',22],
        ['peking',50]]

data = pd.DataFrame(data,columns=['city','number'])

# 先转为数值型
uniq_type = data['city'].unique()
for j in range(len(uniq_type)):
    data['city'] = data['city'].apply(lambda x:j if x==uniq_type[j] else x)

data2 = data[['city']]
encode2 = OneHotEncoder()
encode2.fit(data2)
encode2.transform(data2).toarray()

输出： array([[1., 0.], [0., 1.], [1., 0.]])

对第一列分类特征变成了两列。