常见三种编码方式

1. one-hot 编码
2. 虚拟编码
3. 效果编码

最近复习一些书，记录一下。在特征工程中，数据集经常会出现分类变量，这时候的分类变量可能是字符型，通常不能直接用于训练模型，这时需要对分类变量进行编码，用编码后的结果代入训练模型。下面以房子朝向为例：

import pandas as pd
df = pd.DataFrame({'房子编号':[1, 2, 3, 4, 5],
                  '朝向':['东', '南', '西', '北', '南']})
df

在这里插入图片描述
这里介绍三种常见的编码方式，直接编数字没有放进来。这三种分别是 one-hot 编码、虚拟编码、效果编码。编码方式可以从 one-hot 编码开始，也就是对于一个有 $n$ 个种类的分类变量，通过 $0, 1$ 构造出 $n$ 个特征，对应特征就用 $1$ 表示，其余特征用 $0$ 表示；虚拟编码就是用 $n - 1$ 列表示 $n$ 个特征，相比于 one-hot 编码，这里有一个类别会用全 $0$ 来表示；效果编码相比于虚拟编码，就是将全 $0$ 表示的类别用全 $- 1$ 表示。

编码方式	$n$ 个类别的特征数	特点
one-hot	$n$	每一类都有 $n - 1$ 个 $0$ 和 $1$ 个 $1$
虚拟编码	$n - 1$	其中一类全是 $0$
效果编码	$n - 1$	其中一类全是 $- 1$
数值编码	$1$	直接给类别标序号，无实际意义

1. one-hot 编码

df_one_hot = pd.get_dummies(df, columns=['朝向'])
df_one_hot

在这里插入图片描述

2. 虚拟编码

df_xn = pd.get_dummies(df, columns=['朝向'], drop_first=True)
df_xn

在这里插入图片描述

3. 效果编码

df_xg = df_xn.copy().astype('int')
df_xg.iloc[0,1:4] = -1.0
df_xg

在这里插入图片描述
参考书籍：
【1】爱丽丝 $\cdot$ 郑,阿曼达 $\cdot$ 卡萨丽.《精通特征工程》