7、数据预处理与特征工程全解析

数据预处理与特征工程全解析

1. 分类编码

在数据中，常常会有许多字符串值需要进行建模。然而，机器学习模型无法直接处理文本，它们只能操作数字。因此，需要将这些字符串转换为数值表示，主要有两种方法：
- 将标签映射为一对一的数值等价物。
- 创建独热向量并将其作为列添加以对类别进行编码。

1.1 标签编码

可以使用 scikit-learn 创建标签编码器，将分类标签自动映射为数值等价物，也可以使用相同的标签编码器对象将其转换回原始的分类值。以下是具体操作步骤：
1. 导入标签编码器并找出 Embarked 列中的唯一值：

from sklearn.preprocessing import LabelEncoder
df2 = df.copy()
df2['Embarked'].unique()

输出结果可能如下：

array(['S', 'C', 'Q', nan], dtype=object)

2. 实例化标签编码器对象并将其拟合到数据列上，然后打印出类别：

embarked_encoder = LabelEncoder()
embarked_encoder.fit(df2['Embarked'])
embarked_encoder.classes_