我是机器学习的新手，我正在研究分类/回归问题。
在数据集中，有一个天气特征需要一些分类值，如：晴天，下雨，有风，多云等。
有两种可选的方法可以转换此功能，
1.给每个类别一个数字索引，如
date weather indexedWeather
2017-11-01 Sunny 0
2017-11-02 Cloudy 1
2017-11-03 Snow 3
2017-11-04 Cloudy 1
2017-11-05 Windy 2
2017-11-06 Sunny 0
2017-11-07 Snow 3
2017-11-08 Cloudy 1
Spark MLLib有一个VectorIndexer转换器来执行此任务
2.将此功能转换为二进制矢量：
date weather indexedWeather
2017-11-01 Sunny 1 0 0 0
2017-11-02 Cloudy 0 1 0 0
2017-11-03 Snow 0 0 1 0
2017-11-04 Cloudy 0 1 0 0
2017-11-05 Windy 0 0 0 1
2017-11-06 Sunny 1 0 0 0
2017-11-07 Snow 0 0 1 0
2017-11-08 Cloudy 0 1 0 0
Spark MLLib不为此类任务提供转换器。
哪一个更受欢迎？看起来这两个选项都在实践中使用，但在我看来，我更喜欢第二种选择，但我会听到你们的理解。
答案 0 :(得分：3)
对于第二种方法，Spark中实际上有一个变换器可以为您完成：OneHotEncoder。在这种情况下，它应与StringIndexer一起使用，请参阅here以获取文档。
至于哪一个更合适，因为天气是严格分类的，你不能对它们进行排序，所以使用二元向量更合适。在算法需要连续特征并根据值（例如Logistic回归）分割数据的情况下，情况确实如此。如果您希望算法考虑没有明确排名或可排序顺序，则应使用单热编码器。