python离散特征编码

离散特征编码分两种，特征具有大小意义，特征不具有大小意义。

1、特征不具备大小意义的直接独热编码

2、特征有大小意义的采用映射编码

import pandas as pd
df = pd.DataFrame([
            ['green', 'M', 10.1, 'label1'],
            ['red', 'L', 13.5, 'label2'],
            ['blue', 'XL', 15.3, 'label2']])
# color、label不具备大小含义，size具有大小意义
df.columns = ['color', 'size', 'length', 'label']
df

size_mapping = {
           'XL': 3,
           'L': 2,
           'M': 1}
df['size'] = df['size'].map(size_mapping)

label_mapping = {lab:idx for idx,lab in enumerate(set(df['label']))}
df['label'] = df['label'].map(label_mapping)
df

直接使用函数进行独热编码

并不会区分是否具有大小含义

import pandas as pd
df = pd.DataFrame([
            ['green', 'M', 10.1, 'label1'],
            ['red', 'L', 13.5, 'label2'],
            ['blue', 'XL', 15.3, 'label2']])
# color、label不具备大小含义，size具有大小意义
df.columns = ['color', 'size', 'length', 'label']
pd.get_dummies(df)

get_dummies用法：

import pandas as pd
s = pd.Series(list('abca'))
pd.get_dummies(s)

df = pd.DataFrame({'A': ['a', 'b', 'a'], 'B': ['b', 'a', 'c'],
                    'C': [1, 2, 3]})

pd.get_dummies(df, prefix=['col1', 'col2'])