Python 训练营 Day 5 独热编码（One-Hot Encoding）

@浙大疏锦行

一、什么是独热编码？

独热编码（One-Hot Encoding） 是一种常用的将分类变量（categorical features）转化为数值表示的方法。

例如，假设你有一个“颜色”特征，其值可能是 ['红色', '绿色', '蓝色']，独热编码会将其转化为：

二、代码实战讲解（处理离散特征和缺失值）

1. 导入依赖 & 读取数据

import pandas as pd

data = pd.read_csv("data.csv")  # 或根据文件格式选择 pd.read_excel / pd.read_table

2. 区分连续变量和离散变量

• 离散变量：数据类型为 object 或 category

• 连续变量：数值类型（int, float 等）

discrete_cols = [col for col in data.columns if data[col].dtype == 'object']
continuous_cols = [col for col in data.columns if data[col].dtype != 'object']

3. 对离散变量进行独热编码

data = pd.get_dummies(data, columns=discrete_cols)

作业：

现在在py文件中 一次性处理data数据中所有的连续变量和离散变量

1. 读取data数据

2. 对离散变量进行one-hot编码

3. 对独热编码后的变量转化为int类型

4. 对所有缺失值进行填充

导入数据

import pandas as pd
data = pd.read_csv("data.csv")
data.columns

使用循环一次性对离散变量进行独热编码

一开始是这么写的，但是不对，pd.get_dummies()最好不要放在循环里

for discrete_features in data.columns:
    if data[discrete_features].dtype == "object":
        print(discrete_features)

for discrete_features in data.columns:
    if data[discrete_features].dtype == "object":
        data = pd.get_dummies(data,columns=[discrete_features])

一次性找出所有离散变量，再统一调用一次 pd.get_dummies()

import pandas as pd

# 1. 读取数据
data = pd.read_csv("data.csv")

# 2. 保存编码前的列名
before_cols = data.columns

# 3. 找出离散变量列名（dtype 为 object）
discrete_cols = [col for col in data.columns if data[col].dtype == "object"]
print("待编码的列：", discrete_cols)

# 4. 一次性进行独热编码
data = pd.get_dummies(data, columns=discrete_cols)

# 5. 找出新增列
new_cols = data.columns.difference(before_cols)
print("独热编码新增列：", new_cols.tolist())

对独热编码后的变量转化为int类型

for i in new_cols:
    data[i] = data[i].astype(int) # 这里的i就是独热编码后的特征名
data.head()

用平均值填充缺失值

data.isnull().sum() # 统计每一列的缺失值个数
for i in data.columns:
    if data[i].isnull().sum() >0:
        meanvalue = data[i].mean()
        data[i].fillna(meanvalue,inplace=True)
data.isnull().sum()