數字表示名義數據，同時保留數據語義

Question

我有一個數據集的名義和數字特徵。如果可能，我希望能夠完全用數字表示這個數據集。

理想情況下，我可以做到這一點n-ary名義功能。我意識到在二進制情況下，可以用整數表示兩個名義值。但是，當一個名義特徵可以有許多排列時，如果可能的話，這將如何實現？

Answer 1

有許多技術將分類屬性「嵌入」爲數字。

例如，給定，可以採取的值red，​​blue和，我們就可以平凡編碼此作爲屬性isRed={0,1}，isGreen={0,1}和isBlue={0,1}分類變量。雖然這很受歡迎，並且很明顯會「起作用」，但許多人認爲後來的數值處理技術會產生明智的結果。

如果您運行例如以這種方式編碼的數據集上的k-均值，結果可能不會太有意義。特別是，如果你得到一個如isRed=.3 isGreen=.2 isBlue=.5的意思 - 你不能合理地將其映射回原始數據。更糟糕的是，有些算法甚至可能得到isRed=0 isGreen=0 isBlue=0。

我建議您嘗試使用您的實際的數據，並儘可能避免編碼。如果你有一個好的工具，它可以讓你使用混合的數據類型。 不要嘗試使一切成爲數字向量。這種數據的數學視圖是相當有限的，數據不會給你所有需要從這個視圖中受益的數學假設（例如度量空間）。

Answer 2

不要這樣做：我試圖編碼某些名義屬性爲整數。

除名稱特徵只有兩種排列組合。可以爲每個使用不同的整數（例如1和3）。

但是，如果有兩個以上的置換，整數不能使用。假設我們將1,2和3分配給三個排列組合。正如我們所看到的，由於不同，1-2和2-3之間的關係比1-3更高。

而是對每個名義屬性的每個值使用單獨的二進制特徵。因此，你的問題的答案是：這是不可能的/明智的。

Answer 3

如果您使用熊貓，您可以在名義值列上使用名爲.get_dummies()的函數。這會將N唯一值的列轉換爲N（或者如果您想要N-1，稱爲drop_first）新列指示1或0是否存在值。

實施例：

s = pd.Series(list('abca')) 

get_dummies(s) 
    a b c 
0 1 0 0 
1 0 1 0 
2 0 0 1 
3 1 0 0