python - Label Encoding() 与 One Hot Encoding() (sklearn,pandas) 建议

Question

我的数据框中有 3 种类型的分类数据，df .

df['Vehicles Owned'] = [1,2,3+,2,1,2,3+,2]
df['Sex'] = ['m','m','f','m','f','f','m','m']
df['Income'] = [42424,65326,54652,9463,9495,24685,52536,23535]

我应该为 df['Vehicles Owned'] 做什么？ ？ (一种热编码、标签编码或通过将 3+ 转换为整数而保持原样。我按原样使用整数值。寻找建议，因为有顺序)

对于df['Sex'] ，我应该对它进行 labelEncode 还是 One hot？ (由于没有顺序，我使用了One Hot Encoding)

<强> df['Income']有很多变化。那么我应该将其转换为垃圾箱并使用 One Hot Encoding 解释 low , medium , high收入？

Answer 1

我推荐:

• 对于 sex，one-hot 编码，即使用单个 bool 值 var for is_female 或 is_male;对于 n 个类别，您需要 n-1 one-hot-encoded vars 因为 第 n 个与第一个 n-1 线性相关。

• 对于vehicles_owned，如果您想保留顺序，我会重新映射 您的变量从 [1,2,3,3+] 到 [1,2,3,4] 并视为 int var， 或 [1,2,3,3.5] 作为浮点变量。

• 对于收入:您可能应该将其保留为浮点变量。 某些模型(例如 GBT 模型)可能会进行某种分箱 在引擎盖下。如果你的收入数据恰好呈指数增长 发行版，您可以尝试记录它。但只需将其转换为 我不建议您在自己的特征工程中使用 bin。

针对所有这些事情的元建议是建立一个您有信心的交叉验证方案，为您的所有特征工程决策尝试不同的公式，然后遵循交叉验证的性能衡量标准来做出最终决定。

最后，在使用哪个库/函数之间，我更喜欢 pandas 的 get_dummies 因为它允许您在最终的特征矩阵中保留列名信息，如下所示: https://stackoverflow.com/a/43971156/1870832