SKLearn中的虚拟变量

Question

一般性问题。当创建一个数据集时，thusfar我总是自己将分类属性改为数字

例如：单个特征的5个类别会导致1个特征的编号为1,2,3,4,5

在Pandas中创建虚拟变量会导致多个具有0或1值的特征。后者是一种最佳实践，还是仅仅是一种品味问题？在我的模型中，这不会影响准确性，因此在这种情况下，试错法无法提供答案

Answer 1

这取决于您试图转换的数据。如果它是原始数据，比如说slow、medium和fast，那么将它们转换成1,2 and 3这样的数字是有意义的。这是因为它们似乎有某种顺序。但是，如果您有城市名称之类的数据，则不能使用此方法，因为它将不必要地在城市之间创建顺序关系，而事实可能并非如此

例如，如果执行以下映射：

"New York" - 1
"London"   - 2
"Moscow"   - 3
"Beijing"  - 4

然后在不同的城市之间引入一种新的关系，比如假设New York的值小于London，等等。这是因为ML算法将数字视为序列，它们的顺序很重要（这对于城市名称来说不是真的）。因此，它取决于您的数据和编码方式

您还可以在this blog post中检查更多编码技术