变量编码方式one-hot encoding ,label encoding

在机器学习中,我们拿到的数据通常比较脏乱，可能会带有各种非数字特殊符号，比如中文。而机器学习模型需要的数据是数字型的，因为只有数字类型才能进行计算。这时便需要对变量进行编码,那变量是如何进行编码的呢?

一.特征编码类型

对于离散型数据的编码，我们通常会使用两种方式来实现，分别是：one-hot encoding 和 label encoding。

1.定义

• one-hot encoding也就是我们常常听到的独热编码（哑变量 , 它是将原始特征变量转换成以原始特征值分类的多维度的变量，并用是否（0,1）这种方式的新特征值替代和量化。在pandas中有现成的独热编码方法get_dummies。例如pd.get_dummies()

  • 举例:
    数据矩阵是4*3，即4个数据，3个特征维度。
    0 0 3
    1 1 0
    0 2 1
    1 0 2
    观察上面的数据矩阵，第一列为第一个特征维度，有两种取值0\1. 所以对应编码方式为10 、01,
    同理，第二列为第二个特征维度，有三种取值0\1\2，所以对应编码方式为100、010、001,
    同理，第三列为第三个特征维度，有四中取值0\1\2\3，所以对应编码方式为1000、0100、0010、0001,
    再看要进行编码的参数[0 , 1, 3]， 0作为第一个特征编码为10, 1作为第二个特征编码为010， 3作为第三个特征编码为0001. 故此编码结果为 1 0 0 1 0 0 0 0 1

• label encoding就是用标签进行编码的意思，即将原