我试图找出这个问题的基本答案，但是Stack Overflow上似乎没有最合适的答案。
我有一个40列55,000行的数据集。这些列中只有8个是数字。其余的32个分类，每个分类中都包含字符串值。
现在，我希望对预测模型进行探索性数据分析，我需要删除某些与目标不具有高度相关性的可变列（可预测）。但是，由于这32个变量都是绝对变量，我该怎么做才能查看它们与目标变量的相关性？
我想尝试的方法：
LabelEncoding所有32列，然后通过PCA运行降维，然后创建一个预测模型。 （如果这样做，那么如何通过删除具有目标的corr（）低的无关列来清理数据？）
一次热编码所有32列，并直接在其上运行预测模型。 （如果执行此操作，则清理数据的概念将完全消失，列数将激增，模型将考虑所有相关变量和无关变量进行预测！）
在这种情况下，如果您最终拥有许多类别列，那么最好的做法是什么？
答案 0 :(得分：0)
您可以看看您的分类变量是否适合Spearman等级相关性，后者可以对分类变量进行排名并计算相关系数。但是，请注意类别变量之间的共线性。
答案 1 :(得分：0)
您必须检查相关性。.我可以想到两种情况。
python中有一个软件包，可以为您完成所有这些操作，您只能选择所需的列。
pip安装ctrl4ai
从ctrl4ai导入automl
automl.preprocess（数据框，学习类型）
使用help（automl.preprocess）来了解有关超参数的更多信息，并且您可以按照自己的方式自定义预处理。
请检查automl.master_correlation，它会根据我上面介绍的方法检查相关性。