数字表示名义数据，同时保留数据语义答案

【问题标题】：Numerically representing Nominal Data whilst retaining data semantics数字表示名义数据，同时保留数据语义
【发布时间】：2013-12-14 21:17:11
【问题描述】：

我有一个名义特征和数字特征的数据集。如果可能的话，我希望能够完全用数字来表示这个数据集。

理想情况下，我可以为 n 元名义特征执行此操作。我意识到在二进制情况下，可以用整数表示两个标称值。然而，当一个名义特征可以有许多排列时，如果有的话，这怎么可能呢？

【问题讨论】：

标签： machine-learning data-mining data-representation

【解决方案1】：

有许多技术可以将分类属性“嵌入”为数字。

例如，给定一个可以取值 red、green 和 blue 的分类变量，我们可以简单地将其编码为三个属性 isRed={0,1}、isGreen={0,1} 和isBlue={0,1}.

虽然这很流行，而且显然会“奏效”，但许多人误以为事后数值处理技术会产生合理的结果。

如果你运行例如k-means 在以这种方式编码的数据集上，之后的结果可能不会太有意义。特别是，如果您得到诸如isRed=.3 isGreen=.2 isBlue=.5 之类的平均值 - 您无法合理地将其映射回原始数据。更糟糕的是，使用某些算法你甚至可能会得到isRed=0 isGreen=0 isBlue=0。

我建议您尝试处理您的实际数据，并尽可能避免编码。如果您有一个好的工具，它将允许您使用混合数据类型。不要尝试将所有内容都设为数字向量。这种数据的数学视图非常有限，并且数据不会为您提供从该视图中受益所需的所有数学假设（例如度量空间）。

【讨论】：

【解决方案2】：

不要这样做：我正在尝试将某些名义属性编码为整数。

除非名义特征只有两个排列。可以使用任何不同的整数（例如 1 和 3）。

但如果有两个以上的排列，则不能使用整数。假设我们将 1、2 和 3 分配给三个排列。正如我们所见，由于差异，1-2 和 2-3 之间的相关性高于 1-3。

相反，为每个标称属性的每个值使用单独的二元特征。因此，您的问题的答案是：这是不可能/明智的。

【讨论】：

【解决方案3】：

如果您使用 pandas，您可以在名义价值列上使用名为 .get_dummies() 的函数。这会将N 唯一值的列转换为N（或者如果你想要N-1，称为drop_first）新列，如果存在值，则用1 或0 指示。

例子：

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

【讨论】：