python数据预处理之将类别数据转换为数值的方法

首先，对于将类别数据转换为数值数据，一般有两种方法：标签编码(Label Encoding)和独热编码(One-Hot Encoding)。下面分别介绍这两种方法的具体步骤及应用。

标签编码(Label Encoding)

1. 库的导入

from sklearn.preprocessing import LabelEncoder

2. 创建LabelEncoder对象

le = LabelEncoder()

3. 对特征列进行标签编码

data['column_name'] = le.fit_transform(data['column_name'])

其中，column_name是需要标签编码的特征列名。

4. 示例说明

下面以Titanic数据集为例进行说明：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 读取数据
data = pd.read_csv('titanic.csv')

# 查看数据
print(data.head())

# 对Embarked进行标签编码
le = LabelEncoder()
data['Embarked'] = le.fit_transform(data['Embarked'])

# 查看编码后的数据
print(data.head())

输出结果为：

   PassengerId  Survived  Pclass     Sex   Age  SibSp  Parch     Fare Embarked
0            1         0       3    male  22.0      1      0   7.2500        S
1            2         1       1  female  38.0      1      0  71.2833        C
2            3         1       3  female  26.0      0      0   7.9250        S
3            4         1       1  female  35.0      1      0  53.1000        S
4            5         0       3    male  35.0      0      0   8.0500        S

   PassengerId  Survived  Pclass     Sex   Age  SibSp  Parch     Fare  Embarked
0            1         0       3    male  22.0      1      0   7.2500         2
1            2         1       1  female  38.0      1      0  71.2833         0
2            3         1       3  female  26.0      0      0   7.9250         2
3            4         1       1  female  35.0      1      0  53.1000         2
4            5         0       3    male  35.0      0      0   8.0500         2

可以看到，原本的Embarked列中包含三个不同的类别标签（S、C、Q），经过标签编码后，这三个标签被分别映射为了0、1、2。

独热编码(One-Hot Encoding)

1. 库的导入

from sklearn.preprocessing import OneHotEncoder

2. 创建OneHotEncoder对象

onehot = OneHotEncoder()

3. 对特征列进行独热编码

onehot.fit_transform(data['column_name'].values.reshape(-1,1)).toarray()

其中，column_name是需要独热编码的特征列名。

4. 示例说明

还是以Titanic数据集为例进行说明：

import pandas as pd
from sklearn.preprocessing import OneHotEncoder

# 读取数据
data = pd.read_csv('titanic.csv')

# 查看数据
print(data.head())

# 对Embarked进行独热编码
onehot = OneHotEncoder()
Embarked_onehot = onehot.fit_transform(data['Embarked'].values.reshape(-1,1)).toarray()

# 将编码结果转化为DataFrame，并拼接到原数据集上
Embarked_onehot = pd.DataFrame(Embarked_onehot,columns=['Embarked_C','Embarked_Q','Embarked_S'])
data = pd.concat([data,Embarked_onehot],axis=1)

# 查看处理后的数据
print(data.head())

输出结果为：

   PassengerId  Survived  Pclass     Sex   Age  SibSp  Parch     Fare Embarked
0            1         0       3    male  22.0      1      0   7.2500        S
1            2         1       1  female  38.0      1      0  71.2833        C
2            3         1       3  female  26.0      0      0   7.9250        S
3            4         1       1  female  35.0      1      0  53.1000        S
4            5         0       3    male  35.0      0      0   8.0500        S

   PassengerId  Survived  Pclass     Sex   Age  SibSp  Parch     Fare Embarked  Embarked_C  Embarked_Q  Embarked_S
0            1         0       3    male  22.0      1      0   7.2500        S         0.0         0.0         1.0
1            2         1       1  female  38.0      1      0  71.2833        C         1.0         0.0         0.0
2            3         1       3  female  26.0      0      0   7.9250        S         0.0         0.0         1.0
3            4         1       1  female  35.0      1      0  53.1000        S         0.0         0.0         1.0
4            5         0       3    male  35.0      0      0   8.0500        S         0.0         0.0         1.0

从输出结果中可以看到，经过独热编码后，原本的Embarked列被转化为了三个列，分别对应于三个类别标签：C、Q、S，并且对应的数据为1或0，表示该行数据是否属于这个类别。