我使用的数据集主要由来自 SFDC 的名义值(例如 EE 名称、职位、角色、潜在客户来源、帐户名称等)组成，并且尝试将这些特征与是否销售线索已转换为销售联系人。
我想通过一些基本的特征选择算法来运行这些数据，但大多数只需要数值。我可以使用 bool 映射方案将每个独特的分类映射到新字段(特征)，但随后我将生成大量新特征，并且我不确定这是否会产生有意义的输出。诚然，最好的解决方案可能是通过决策树运行数据，但想看看社区中其他人是否提出了其他策略来处理已在现实世界中成功使用的大多数名义数据的数据集应用程序。
我使用 python 和 scipy/numpy/pandas/scikit-learn 来进行分析。
最佳答案
我首先尝试使用sklearn.feature_extraction.DictVectorizer然后尝试可以处理稀疏数据表示的 Chi2 单变量特征选择。例如，scikit-learn 中有一个 chi2 特征选择在稀疏文本数据上的应用:http://scikit-learn.org/dev/auto_examples/document_classification_20newsgroups.html
不幸的是，scikit-learn 的决策树和集成尚不适用于稀疏表示。
关于numpy - 处理具有数字属性的标称值的策略，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/15327099/