pt5jvslni/Chapter3/离散值编码.md

# 3.4 数据预处理常用技巧---离散值编码

## 离散值编码的目的

想要知道离散值编码的目的，那么首先需要知道什么是离散值。离散值的概念其实你并不陌生，因为早在第 2 章第 1 节中你就已经接触到了离散值的概念，没错！就是离散特征！

要知道，不管是数据挖掘还是机器学习算法，它们都只认识数字，一到碰到诸如字符串之类的数据时就会向你抱怨：我太难了！

![](5.jpg)

所以当我们碰到带有离散值的数据时，我们就要想办法来把这些离散值进行转换，转换成算法所认识的数字。

在进行离散值编码时，通常会尝试使用如下两种方法，`LabelEncoder`和`OneHotEncoder`。下面，我们会试图使用这两种编码方法来解决数据中的离散值编码问题。


## LabelEncoder

这种方法会对特征中所出现的离散值建立一种映射关系。这种映射关系很简单，例如数据中有`Sex`这一特征，并且该特征中的值的值要么是`male`，要么是`female`。如果我们对`Sex`特征使用`LabelEncoder`方法进行离散值编码的话，可能会得到一个映射关系:`{'male':0, 'female':1}`，即当看到`'male'`时就将其改成`0`，看到`'female'`时将其改成`1`。

因此进行编码后的结果为：

| Sex  |
|:-:|
|  0 |
|  1 |
|  1 |
|  1 |
|  0 |

这样，就成功地将字符串类型的特征值转换成了数值类型的特征值。

当然，`sklearn`已经为我们提供了实现该功能的接口:`LabelEncoder`，使用案例如下：

```python

# 导入LabelEncoder类
from sklearn.preprocessing import LabelEncoder

# 定义数据
label = ['male','female']

# 实例化LabelEncoder对象
int_label = LabelEncoder()

# 进行离散值编码
label = int_label.fit_transform(label)

# 成功将male转换成0，将female转换成1
>>>label
array([0, 1])
```

## OneHotEncoder

虽然`LabelEncoder`能将代表不同意义的字符串转换成数字，但是在转换之后很可能会带入顺序信息。比如将`‘male’`映射成`0`，`'female'`映射成`1`时，有可能会使得数据挖掘算法认为`'female'`更重要，或者`‘male’`和`'female'`之间存在着一定的大小关系。

我们知道，现在是男女平等的时代，不应该出现男权或者女权的现象。那应该怎样避免将特征值分成三六九等呢？我们可以使用`OneHotEncoder`方法来进行离散值编码。


`OneHotEncoder`其实非常简单，就是在将原来的特征展开成一个二进制列，假设`sex`这个特征有两种取值，分别为:`male`和`female`。数据如下：

|  sex  |
|:-:|
|  male  |
|  male  |
|  female  |
|  male  |
|  female  |

那么经过`OneHotEncoder`编码之后，数据会变成如下形式(原来数据中`sex`为`male`的在编码后`sex_male`的值为`1`，`sex`为`female`的在编码后`sex_female`的值为`1`)：


|  sex_male  | sex_female|
|:-:|:-:|
|   1  | 0  |
|   1  | 0  |
|   0  | 1  |
|  1  | 0  |
|  0  | 1  |

你会发现，经过`OneHotEncoder`编码后，`sex`特征变成了无序的二进制特征。而且能够轻松的看出第一条样本的性别是`male`，第三条样本的性别是`female`。

当然，`sklearn`已经为我们提供了实现该功能的接口:`OneHotEncoder`，使用案例如下：

```python
import numpy as np
# 导入OneHotEncoder类
from sklearn.preprocessing import OneHotEncoder


# 定义数据
label = ['male','female']


# 实例化OneHotEncoder对象
onehot_label = OneHotEncoder()

# 对数据进行编码
label = onehot_label.fit_transform(label)

# 样本的特征变成了2个，分别表示male和female
>>>label
array([[1, 0],
       [0, 1]])
```