Question

我有一个名义和数字特征的数据集。如果可能的话，我希望能够完全用数字表示这个数据集。

理想情况下，我可以为n-ary标称功能执行此操作。我意识到在二进制的情况下，可以用整数表示两个名义值。但是，当名义特征可以有许多排列时，如果有的话，这怎么可能呢？

Answer 1

有许多技术可以将分类属性“嵌入”为数字。

例如，给定一个可以取值red，green和blue的分类变量，我们可以将其简单地编码为 three 属性{{ 1}}，isRed={0,1}和isGreen={0,1}。

虽然这很受欢迎，并且显然会“起作用”，但很多人都认为随后的数字处理技术会产生合理的结果，这是谬论。

如果您运行，例如k-means在以这种方式编码的数据集上，之后结果可能不会太有意义。特别是，如果你得到isBlue={0,1}之类的平均值 - 你无法合理地将其映射回原始数据。更糟糕的是，使用某些算法，您甚至可能会获得isRed=.3 isGreen=.2 isBlue=.5。

我建议您尝试处理实际数据，并尽可能避免编码。如果您有一个好的工具，它将允许您使用混合数据类型。不要尝试将所有内容都设为数字向量。这种数据的数学视图非常有限，并且数据不会为您提供从此视图中受益所需的所有数学假设（例如度量空间）。

Answer 2

不要这样做：我正在尝试将某些名义属性编码为整数。

除非名义特征只有两个排列。可以为每个使用任何不同的整数（例如1和3）。

但是如果有两个以上的排列，则不能使用整数。假设我们分配了1,2和3到3个排列。我们可以看到，由于差异，1-2和2-3之间的关系比1-3更高。

相反，对每个名义属性的每个值使用单独的二进制特征。因此，你的问题的答案：这是不可能的/明智的。

Answer 3

如果使用pandas，则可以在名义值列上使用名为.get_dummies()的函数。这会将N个唯一值的列转换为N（或者，如果您需要N-1，则称为drop_first）新列，指示1或如果存在值，则0。

示例：

s = pd.Series(list('abca'))

get_dummies(s)
   a  b  c
0  1  0  0
1  0  1  0
2  0  0  1
3  1  0  0