表格不同类型的数据如何向量化？

在进行机器学习项目时，首先需要获取数据，这些数据可以来自数据库、API、网络抓取，或从CSV、Excel等文件中读取。数据可能包含数值、文本和类别等多种特征，但原始数据通常无法直接用于训练模型。

数据预处理包括清洗、填补缺失值和处理异常值。之后，数据向量化将原始表格数据转换为机器学习模型能理解的数值格式。由于大多数算法只能处理数值数据，向量化是至关重要的一步，常用的方法包括独热编码和标签编码。

这个步骤对于模型的训练和预测至关重要，因为大多数机器学习算法（如线性回归、决策树、神经网络等）只能处理数值数据，而不是文本、类别或其他非数值数据。

数据向量化有啥用？

• • 机器学习模型的输入 ：大多数机器学习模型只能接受数值形式的数据。向量化将原始数据转换成模型可接受的输入形式，使模型能够进行学习和预测。
• • 提高模型性能 ：通过合理的向量化处理，模型可以更好地捕捉数据中的信息，提高学习和预测的准确性。例如，将类别变量转换为数值后，算法可以通过数值关系理解类别之间的区别。
• • 数据一致性和规范化 ：向量化可以标准化不同格式的输入数据，如将分类、文本或其他类型的特征转换为数值，确保所有输入特征都能够被模型一致地处理。

什么是向量化？

向量化通常指的是将表格中的不同类型的数据（如数值、分类、文本等）转换为向量形式的过程。

常见的向量化方法包括：

数值特征标准化

直接对原始数值进行标准化处理，如归一化、Z-score 标准化，使数据保持在相同的量级上。

在机器学习中，标准化是一种常见的数据预处理技术，旨在将数值特征转换为具有相同尺度的分布。

使用标准化可以提高模型的收敛速度和性能，特别是在使用基于距离的算法（如K-近邻、SVM等）时。

标准化是将 特征的均值转换为0，方差转换为1的过程。

公式如下：

其中：

• • 是标准化后的值。
• • 是原始值。
• • 是特征的均值。
• • 是特征的标准差。

类别特征的编码

对类别数据进行编码，使其能够被机器学习模型处理。

1、 独热编码（One-Hot Encoding） ：将每个类别表示为一个二进制向量，适用于没有顺序关系的分类特征，如性别