分类数据的 7 种编码技术

7 Categorical Data Encoding Techniques

下面是编码分类特征的 7 种方法：

我们在以下链接中详细讨论过它们：https://bit.ly/3LkfVq5。

• 每个类别用一个由 0 和 1 组成的二进制向量表示。

• 每个类别都有自己专属的二进制特征，同一时刻只有其中一个为“热”（置为 1），表示该类别的存在。

• 特征数量 = 唯一分类标签的数量

• 与 one-hot 编码相同，但多了一个步骤。

• 在 one-hot 编码之后，我们随机丢掉一个特征。

• 我们这样做是为了避免虚拟变量陷阱（在本章中讨论）。

• 特征数量 = 唯一分类标签的数量 - 1

• 与虚拟编码类似，但多了一个步骤。

• 把全为 0 的那一行改为 -1。

• 这能确保得到的二进制特征不仅表示特定类别的存在或缺失，还表示参考类别与“任何类别都不存在”之间的对比。

• 特征数量 = 唯一分类标签的数量 - 1。

• 为每个类别分配一个唯一的标签。

• 标签编码在类别之间引入了内在的顺序，而实际情况未必如此。

• 特征数量 = 1。

• 与标签编码类似——为每个类别分配一个唯一的整数值。

• 所赋的值具有内在的顺序，即一个类别被认为大于或小于另一个类别。

• 特征数量 = 1。

• 也称为频率编码。

• 根据每个类别的频率对分类特征进行编码。

• 因此，计数编码不是用数值或二进制表示来替换类别，而是直接把每个类别对应的计数赋给它。

• 特征数量 = 1。

• one-hot 编码与有序编码的结合。

• 它把类别表示为二进制代码。

• 每个类别先被赋予一个有序值，然后该值被转换为二进制代码。

• 接着把二进制代码拆分成多个独立的二进制特征。

• 在处理高基数分类特征（或大量特征）时很有用，因为它相比 one-hot 编码降低了维度。

• 特征数量 = log(n)（以 2 为底）。

虽然这些都是最流行的几种技术，但请注意，它们并不是编码分类数据（categorical data）仅有的方法。你可以用 category-encoders 库尝试许多技术：https://pypi.org/project/category-encoders。