引言
在我们开始学习分类变量编码之前，让我们先了解数据类型及其规模的基础知识。对于学习者来说，理解这些主题以继续进行分类变量编码变得至关重要。众所周知，数据是一种独特的信息类型，通常以特定的方式格式化。我们可以将数据分为三种类型，称为结构化数据、半结构化数据和非结构化数据。
以具有行和列的矩阵形式体现的数据被表示为结构化数据。这些数据可以作为表格存储在 SQL 数据库中，可以作为行和列存储在 excel 工作表中，也可以作为分隔符存储在 CSV 中。
不以矩阵形式体现的数据称为半结构化数据和非结构化数据。我们通常可以将半结构化数据存储在 XML 文件、 JSON 格式等多种格式中，而非结构化数据以图像、电子邮件、视频、日志数据和文本数据的形式存储。
让我们考虑一个基于机器学习或数据科学提供的业务问题。如果我们只处理结构化数据，收集的数据是连续变量和分类变量的组合，机器学习中的大多数算法都不会理解或不能处理分类变量。
这种说法意味着，当数据以数字形式表示而不是分类到模型中进行训练和测试时，机器学习中的算法在准确性和其他性能指标上表现得更好。
因此，在使用分类数据来拟合和评估模型之前，必须将其编码成数字。
机器学习的一些算法，如基于树的(如决策树、随机森林)算法，在处理分类变量时表现更好。在任何与数据科学相关的项目中，最好的训练是将分类数据转换成数字数据。
既然目标现在很明确，在我们开始构建任何统计模型、深度学习模型或机器学习模型，并开始将分类数据编码或转换为数字形式之前，让我们先了解几种类型的分类数据。
理解名义规模
*名义标度**被定义为仅是名称的变量。它们用于标记变量。名义尺度从不相互重叠，也没有任何数值意义。*
*#### 注:名义规模仅指那些刚刚命名的变量。
以下是一些代表标称刻度数据的示例。一旦我们收集了数据，我们必须分配一个数字代码来代表一个名义变量。
| 什么是人的性别？ | 什么是人的婚姻状况？ | 这个人住在哪个城市？ | | 男性的 | 单一的 | 德里 | | 女性的 | 已婚的 | 孟买 | | 离婚的 | 金奈 | | 寡居的 | 班加罗尔 |
| 人居住的城市 | 指定的数字代码 | | 德里 | one | | 孟买 | Two | | 金奈 | three | | 班加罗尔 | four |
例如，我们可以为一个分类变量分配一个数字代码 1 来表示德里，2 来表示孟买，3 来表示钦奈，4 来表示班加罗尔——这个人居住在哪个城市。
重要提示:指定的数值没有任何附加的数学值。
上面的陈述暗示了像除法、乘法、减法或加法这样的基本数学运算是没有意义的。因此，像德里/孟买或钦奈+班加罗尔这样的运营完全没有意义。
理解序数尺度
序数标度 是指一个变量，其中的数据值是从一个有序集合中存储的。例如，数据利用李克特量表来表示有限的客户反馈调查，如下表所示:
客户反馈:5 分李克特量表
| 反馈 | 指定的数字代码 | | 非常穷 | one | | 穷人 | Two | | 令人满意的 | three | | 好的 | four | | 很好 | five |
在上面的案例中，我们借助五点李克特量表收集了反馈数据。我们将数字代码 1 指定为非常差，2 表示差，3 表示满意，4 表示好，5 表示非常好。我们还可以观察到，5 比 4 好，比 3 好很多。然而，如果我们从满意中减去非常好，那就没有任何意义了。
正如我们已经知道的，大多数机器学习算法只对数值或数据起作用。这就是将分类特征编码成与模型兼容的表示的原因。
因此，有几种众所周知的编码方法，包括:
- 标签编码
- 一键编码
- 序数编码
但是，在本教程中，我们将只介绍标签编码:
理解标签编码
在 Python 标签编码中，我们需要使用一个介于 0 和类总数减 1 之间的数值来替换分类值。例如，如果分类变量的值有六个不同的类，我们将使用 0、1、2、3、4 和 5。
现在，让我们以印度各邦的新冠肺炎病例数据为例，了解标签编码。在观察下面的数据帧时，我们会发现 State 列由一个分类值组成，这对于机器来说并不友好。其他列由数值组成。现在，让我们尝试对状态列进行标签编码。
印度各邦新冠肺炎病例
| 状态 | 确认的 | 死亡 | 恢复 | | 马哈拉施特拉邦 | Two hundred and eighty-four thousand two hundred and eighty-one | Eleven thousand one hundred and ninety-four | One hundred and fifty-eight thousand one hundred and forty | | 泰米尔纳德邦 | One hundred and fifty-six thousand three hundred and sixty-nine | Two thousand two hundred and thirty-six | One hundred and seven thousand four hundred and sixteen | | 德里 | One hundred and eighteen thousand six hundred and forty-five | Three thousand five hundred and forty-five | Ninety-seven thousand six hundred and ninety-three | | 卡纳塔克邦 | Fifty-one thousand four hundred and twenty-two | Two thousand and eighty-nine | Nineteen thousand seven hundred and twenty-nine | | 古吉拉特邦 | Forty-five thousand four hundred and eighty-one | Two thousand and eighty-nine | Thirty-two thousand one hundred and three | | 北方邦(北方邦) | Forty-three thousand four hundred and forty-one | One thousand and forty-six | Twenty-six thousand six hundred and seventy-five |
正如我们所观察到的，在执行标签编码之后，我们已经为每个分类值分配了数值。我们中的一些人可能想知道为什么编号是无序的(自上而下)。原因是我们按照字母顺序分配了数字，这意味着德里被分配为 0，古吉拉特被分配为 1，卡纳塔克邦被分配为 2，以此类推。
| 状态(标称刻度) | 状态(标签编码) | | 马哈拉施特拉邦 | three | | 泰米尔纳德邦 | four | | 德里 | Zero | | 卡纳塔克邦 | Two | | 古吉拉特邦 | one | | 北方邦(北方邦) | five |
使用 Python 的标签编码
Python 的 sklearn 库为用户提供了预定义的函数，以便在数据集上使用标签编码。
语法:
from sklearn import preprocessing
obj = preprocessing.LabelEncoder()
正如我们所观察到的，我们已经创建了一个标签编码器类的对象，然后使用该对象将标签编码应用于数据。
标签编码主要有两种方式:
- 借助 scikit-learn 库的 LabelEncoder 类
- 类别代码
使用 scikit-learn 库进行标签编码
让我们从标签编码的过程开始。数据集编码的主要步骤是拥有数据集。
因此，我们在这里创建了一个简单的数据集。
示例:创建数据集
import pandas as pd
my_data = {
"Gender" : ['F', 'M', 'M', 'F', 'M', 'F', 'M', 'F', 'F', 'M'],
"Name" : ['Cindy', 'Carl', 'Johnny', 'Stacey', 'Andy', 'Sara', 'Victor', 'Martha', 'Mindy', 'Max']
}
blk = pd.DataFrame(my_data)
print("Geniune Data Frame:\n")
print(blk)
正如我们所观察到的，借助 Pandas 的 DataFrame() 功能，我们创建了一个字典‘数据’，并将其转换为数据帧。
输出:
Geniune Data Frame:
Gender Name
0 F Cindy
1 M Carl
2 M Johnny
3 F Stacey
4 M Andy
5 F Sara
6 M Victor
7 F Martha
8 F Mindy
9 M Max
从上面的数据集中我们可以观察到，我们有一个名为“性别”的变量，它的标签分别为“F”和“M”。
接下来，让我们尝试导入标签编码器类。然后，我们将在数据集的【性别】变量上应用该类。
示例:
import pandas as pd
from sklearn import preprocessing
my_data = {
"Gender" : ['F', 'M', 'M', 'F', 'M', 'F', 'M', 'F', 'F', 'M'],
"Name" : ['Cindy', 'Carl', 'Johnny', 'Stacey', 'Andy', 'Sara', 'Victor', 'Martha', 'Mindy', 'Max']
}
blk = pd.DataFrame( my_data )
print("Geniune Data Frame:\n")
print( blk )
my_label = preprocessing.LabelEncoder()
blk[ 'Gender' ]= my_label.fit_transform(blk[ 'Gender' ])
print(blk[ 'Gender' ].unique())
print("Data Frame after Label Encoding:\n")
print( blk )
输出:
Geniune Data Frame:
Gender Name
0 F Cindy
1 M Carl
2 M Johnny
3 F Stacey
4 M Andy
5 F Sara
6 M Victor
7 F Martha
8 F Mindy
9 M Max
[0 1]
Data Frame after Label Encoding:
Gender Name
0 0 Cindy
1 1 Carl
2 1 Johnny
3 0 Stacey
4 1 Andy
5 0 Sara
6 1 Victor
7 0 Martha
8 0 Mindy
9 1 Max
说明:
在上例中，我们导入了 scikit-learn 库的Pandas和预处理模块。然后，我们将数据定义为字典，并打印一个数据帧供参考。
稍后，我们使用 fit_transform() 方法将对象指向的标签编码器功能添加到数据变量中。在执行标签编码后，我们打印了关于性别和最终数据帧的唯一代码。
接下来，让我们讨论另一种借助类别代码的标签编码方法。
使用类别代码的标签编码
在我们进入使用类别代码进行标签编码的过程之前，让我们检查数据集变量的数据类型。
我们可以使用如下所示的数据类型功能来检查数据类型:
import pandas as pd
my_data = {
"Gender" : ['F', 'M', 'M', 'F', 'M', 'F', 'M', 'F', 'F', 'M'],
"Name" : ['Cindy', 'Carl', 'Johnny', 'Stacey', 'Andy', 'Sara', 'Victor', 'Martha', 'Mindy', 'Max']
}
blk = pd.DataFrame( my_data )
print( blk.dtypes )
输出:
Gender object
Name object
dtype: object
一旦我们检查了变量“性别”的数据类型，我们将转换并将其转换为类别类型。
这可以在下面的代码片段中看到:
import pandas as pd
my_data = {
"Gender" : ['F', 'M', 'M', 'F', 'M', 'F', 'M', 'F', 'F', 'M'],
"Name" : ['Cindy', 'Carl', 'Johnny', 'Stacey', 'Andy', 'Sara', 'Victor', 'Martha', 'Mindy', 'Max']
}
blk = pd.DataFrame( my_data )
blk[ 'Gender' ] = blk[ 'Gender' ].astype( 'category' )
print( blk.dtypes )
输出:
Gender category
Name object
dtype: object
现在，让我们尝试用Pandas 将标签转换成整数类型。DataFrame.cat.codes 功能。下面是一个基于使用类别代码的标签编码的完整示例:
示例:
import pandas as pd
my_data = {
"Gender" : ['F', 'M', 'M', 'F', 'M', 'F', 'M', 'F', 'F', 'M'],
"Name" : ['Cindy', 'Carl', 'Johnny', 'Stacey', 'Andy', 'Sara', 'Victor', 'Martha', 'Mindy', 'Max']
}
blk = pd.DataFrame( my_data )
print("Genuine Data Frame:\n")
print( blk )
blk[ 'Gender' ] = blk[ 'Gender' ].astype( 'category' )
print("\nData Frame after Label Encoding using Category codes:\n")
blk[ 'Gender' ] = blk[ 'Gender' ].cat.codes
print( blk )
输出:
Genuine Data Frame:
Gender Name
0 F Cindy
1 M Carl
2 M Johnny
3 F Stacey
4 M Andy
5 F Sara
6 M Victor
7 F Martha
8 F Mindy
9 M Max
Data Frame after Label Encoding using Category codes:
Gender Name
0 0 Cindy
1 1 Carl
2 1 Johnny
3 0 Stacey
4 1 Andy
5 0 Sara
6 1 Victor
7 0 Martha
8 0 Mindy
9 1 Max
说明:
在上面的例子中，我们已经导入了Pandas库，并将数据定义为字典。然后，我们打印了原始数据帧供参考。之后，我们将变量“性别”的数据类型转换为一个类别，并使用了Pandas。DataFrame.cat.codes 功能将其转换为类别代码。最后，我们使用类别代码打印了标签编码后的结果。
