数据的预处理是数据分析,或者机器学习训练前的重要步骤。通过数据预处理,可以
- 提高数据质量,处理数据的缺失值、异常值和重复值等问题,增加数据的准确性和可靠性
- 整合不同数据,数据的来源和结构可能多种多样,分析和训练前要整合成一个数据集
- 提高数据性能,对数据的值进行变换,规约等(比如无量纲化),让算法更加高效
本篇介绍的分类编码处理,主要用于将类别型数据转换为可以用于分析或机器学习的形式。类别型数据是指具有离散、不连续取值的数据,例如性别(男/女)、等级(优/良/中/差)之类数据。对这些数据进行适当的编码,可以提高数据处理效率和准确度。
1. 原理
分类编码的原理比较简单,常用的两种是顺序编码和独热编码。
1.1. 顺序编码
顺序编码很好理解,就是按照顺序给离散的数据编码,比如下面成绩和班级信息的数据:
data = np.array(
[
["优", "三班"],
["及格", "二班"],
["良", "一班"],
["优", "五班"],
["中", "八班"],
["良", "六班"],
["不及格", "三班"],
["优", "十班"],
]
)
原始数据是用中文描述的,无法直接用于机器学习算法之中,所以要编码。scikit-learn
库的OrdinalEncoder
就是用来顺序编码的。
from sklearn import preprocessing as pp
data = np.array(
[
["优", "三班"],
["及格", "二班"],
["良", "一班"],
["优", "五班"],
["中", "八班"],
["良", "六班"],
["不及格", "三班"],
["优", "十班"],
]
)
oenc = pp.OrdinalEncoder()
# 顺序编码
oenc.fit_transform(data)
# 运行结果
array([[2., 1.],
[3., 2.],
[4., 0.],
[2., 3.],
[1., 4.],
[4., 5.],
[0., 1.],
[2., 6.]])
从运行结果可以看出,虽然**"优", "良", "中"等成绩等级,"一班", "二班", "三班"等班级信息都被编码成顺序的数字。但是,并不是按照中文含义的顺序来编码的,比如优对应2**,及格对应3,三班对应1,二班却对应2等等。
为了让编码后的数字和原来的中文含义的顺序有对应,我们可以定义编码的顺序。
# 定义中文的顺序
catagories = [
["优", "良", "中", "及格", "不及格"],
["一班", "二班", "三班", "五班", "六班", "八班", "十班"],
]
oenc = pp.OrdinalEncoder(categories=catagories)
oenc.fit_transform(data)
# 运行结果
array([[0., 2.],
[3., 1.],
[1., 0.],
[0., 3.],
[2., 5.],
[1., 4.],
[4., 2.],
[0., 6.]])
这样,编码后的数字的顺序就能和中文所代表的含义对应起来了。
1.2. 独热编码
上面示例中的成绩等级和班级信息都有顺序,如果对没有顺序含义的信息进行顺序编码的话,就会赋予给信息添加了顺序的含义,对于后续算法的应用可能会产生影响。
这时,就可以用独热编码的方式来处理,比如对于下面的科目信息:
data = np.array([["语文"], ["数学"], ["英语"], ["物理"], ["化学"]])
这些科目信息之间是没有顺序概念的,语文不一定排在数学前面,化学也不一定要排在英语后面。这时,用独热编码就比较合适了。
data = np.array([["语文"], ["数学"], ["英语"], ["物理"], ["化学"]])
enc = pp.OneHotEncoder()
enc.fit_transform(data).toarray()
# 运行结果
array([[0., 0., 0., 0., 1.],
[0., 1., 0., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 1., 0., 0.],
[1., 0., 0., 0., 0.]])
从中可以看出,语文编码成了数组**[0., 0., 0., 0., 1.],数学编码成了[0., 1., 0., 0., 0.]**数组等等。科目信息之间不存在顺序。
2. 作用
分类编码是数据挖掘和机器学习领域中非常重要的一个环节,主要的作用有:
3. 总结
本篇介绍了两种编码方式,顺序编码(OrdinalEncoder
)和独热编码(OneHotEncoder
),但scikit-learn
库提供的编码方式并不只有这两种。
还有目标编码(TargetEncoder
),标签编码(LabelEncoder
)等等,可以参考官方文档中的使用方法,在合适的场景中使用。