《sklearn机器学习——数据预处理》类别特征编码

sklearn 数据预处理中的类别特征编码

在机器学习中,许多算法无法直接处理字符串形式的类别特征(如"男"、"女"、"红色"、"蓝色"等),需要将其转换为数值形式。sklearn.preprocessing 模块提供了多种类别特征编码方法,以下是常用编码器的详细介绍。


1. LabelEncoder(标签编码)

核心思想

将每个类别映射为一个整数(0 到 n_classes-1)。适用于目标变量(y)或有序类别变量。

常用函数与类

  • LabelEncoder()

主要方法

  • .fit(y):拟合标签编码器
  • .transform(y):转换标签为数值
  • .fit_transform(y):拟合并转换
  • .inverse_transform(y):逆转换,还原为原始标签

参数

无特殊参数,自动推断类别。

返回值

一维数组(ndarray),元素为整数编码。

示例代码

python 复制代码
from sklearn.preprocessing import LabelEncoder

# 示例数据
colors = ['red', 'blue', 'green', 'blue', 'red']

# 创建编码器
le = LabelEncoder()

# 拟合并转换
encoded = le.fit_transform(colors)
print("编码结果:", encoded)  # [2 0 1 0 2]

# 逆转换
original = le.inverse_transform(encoded)
print("还原结果:", original)  # ['red' 'blue' 'green' 'blue' 'red']

# 查看类别映射
print("类别顺序:", le.classes_)  # ['blue' 'green' 'red']

⚠️ 注意:LabelEncoder 不适用于无序分类特征作为模型输入,因为整数隐含顺序关系(如 0 < 1 < 2),可能导致模型误解。

2. OrdinalEncoder(序数编码)

核心思想

LabelEncoder 类似,但支持多列输入。适用于多个有序分类特征。

常用函数与类

OrdinalEncoder()

主要参数

categories: 'auto' 或 list of array-like,默认 'auto',自动推断类别。
dtype: 输出数据类型,默认 np.float64。
handle_unknown: 'error' 或 'use_encoded_value',处理未知类别。
unknown_value: 与 handle_unknown='use_encoded_value' 配合使用。

返回值

二维数组(ndarray),形状为 (n_samples, n_features)。

示例代码

python 复制代码
from sklearn.preprocessing import OrdinalEncoder
import numpy as np

# 示例数据(两列类别特征)
data = np.array([['男', '北京'],
                 ['女', '上海'],
                 ['男', '广州'],
                 ['女', '北京']])

# 创建编码器
oe = OrdinalEncoder()

# 拟合并转换
encoded = oe.fit_transform(data)
print("编码结果:\n", encoded)
# [[0. 0.]
#  [1. 2.]
#  [0. 1.]
#  [1. 0.]]

# 查看每列的类别
print("各列类别:", oe.categories_)
# [array(['男', '女'], dtype='<U1'), array(['北京', '广州', '上海'], dtype='<U2')]

3. OneHotEncoder(独热编码)

核心思想

将每个类别转换为一个二进制向量(只有一位为1,其余为0),消除类别间的"大小"关系,适合无序分类变量。

常用函数与类

OneHotEncoder()

主要参数

categories: 'auto' 或 list,默认 'auto'
drop: {'first', 'if_binary'} 或 array,用于删除某一列以避免多重共线性
sparse_output: 是否返回稀疏矩阵,默认 True(⚠️ sklearn 1.2+ 已弃用 sparse,改用 sparse_output)
handle_unknown: {'error', 'ignore', 'infrequent_if_exist'},处理未知类别
dtype: 输出数据类型

返回值

默认返回稀疏矩阵(csr_matrix),设置 sparse_output=False 可返回稠密数组。

示例代码

python 复制代码
from sklearn.preprocessing import OneHotEncoder
import numpy as np

# 示例数据
data = np.array([['男'], ['女'], ['男'], ['女']])

# 创建编码器
ohe = OneHotEncoder(sparse_output=False)  # 返回稠密数组

# 拟合并转换
encoded = ohe.fit_transform(data)
print("独热编码结果:\n", encoded)
# [[1. 0.]
#  [0. 1.]
#  [1. 0.]
#  [0. 1.]]

# 获取特征名称
feature_names = ohe.get_feature_names_out(['性别'])
print("特征名:", feature_names)  # ['性别_男' '性别_女']

# 逆转换
original = ohe.inverse_transform(encoded)
print("还原结果:\n", original)
# [['男']
#  ['女']
#  ['男']
#  ['女']]

4. 使用 pandas.get_dummies 的替代方案(非 sklearn,但常用)

虽然不属于 sklearn,但在实践中常与 sklearn 配合使用:

python 复制代码
import pandas as pd

df = pd.DataFrame({'颜色': ['红', '蓝', '绿', '蓝']})
dummies = pd.get_dummies(df['颜色'], prefix='颜色')
print(dummies)
#    颜色_红  颜色_蓝  颜色_绿
# 0     1     0     0
# 1     0     1     0
# 2     0     0     1
# 3     0     1     0

5. 编码器选择建议

场景 推荐编码器
目标变量(分类标签) LabelEncoder
有序分类特征(如:低/中/高) OrdinalEncoder
无序分类特征(如:颜色、城市) OneHotEncoder
高基数类别(如邮政编码) 考虑 TargetEncoder (来自 category_encoders 库)或嵌入

6. 完整实战示例

python 复制代码
from sklearn.preprocessing import LabelEncoder, OrdinalEncoder, OneHotEncoder
from sklearn.compose import ColumnTransformer
import pandas as pd
import numpy as np

# 创建示例数据框
df = pd.DataFrame({
    '城市': ['北京', '上海', '广州', '北京'],
    '性别': ['男', '女', '男', '女'],
    '收入等级': ['低', '中', '高', '中']
})

print("原始数据:")
print(df)

# 方法1:使用 ColumnTransformer 组合不同编码器
ct = ColumnTransformer(
    transformers=[
        ('onehot', OneHotEncoder(drop='first', sparse_output=False), ['城市', '性别']),
        ('ordinal', OrdinalEncoder(categories=[['低', '中', '高']]), ['收入等级'])
    ],
    remainder='passthrough'
)

encoded_array = ct.fit_transform(df)
feature_names = (
    ct.named_transformers_['onehot'].get_feature_names_out(['城市', '性别']).tolist() +
    ['收入等级']
)

encoded_df = pd.DataFrame(encoded_array, columns=feature_names)
print("\n组合编码后:")
print(encoded_df)

# 方法2:分别编码
ohe = OneHotEncoder(sparse_output=False)
city_gender_encoded = ohe.fit_transform(df[['城市', '性别']])
print("\n城市+性别独热编码:")
print(city_gender_encoded)

oe = OrdinalEncoder(categories=[['低', '中', '高']])
income_encoded = oe.fit_transform(df[['收入等级']])
print("\n收入等级序数编码:")
print(income_encoded)

7. 注意事项

  • 训练/测试一致性 :必须使用 .fit_transform() 在训练集上拟合,然后对测试集使用 .transform(),避免数据泄露。
  • 未知类别处理 :使用 handle_unknown='ignore''infrequent_if_exist' 避免预测时报错。
  • 稀疏性:当类别数量大时,使用稀疏矩阵节省内存。
  • 多重共线性 :独热编码后建议删除一列(如 drop='first'),尤其在线性模型中。

✅ 掌握以上编码方法,可灵活应对各类分类特征预处理需求,为后续建模打下坚实基础。

相关推荐
真智AI31 分钟前
[特殊字符] AI时代依然不可或缺:精通后端开发的10个GitHub宝藏仓库
人工智能·github·系统设计·后端开发·github资源·编码实践
deepdata_cn35 分钟前
大语言模型(LLM)的基本概念
人工智能·语言模型·自然语言处理
草莓熊Lotso38 分钟前
从 “Hello AI” 到企业级应用:Spring AI 如何重塑 Java 生态的 AI 开发
java·人工智能·经验分享·后端·spring
大千AI助手1 小时前
BIG-Bench:大规模语言模型能力的全面评估与挑战
人工智能·语言模型·自然语言处理·大模型·图灵测试·big-bench·bbh
卷Java2 小时前
智慧停车大屏数据分析与设计文档
java·大数据·人工智能·数据分析
深圳南柯电子2 小时前
纯电汽车emc整改:设计缺陷到合规达标的系统方案|深圳南柯电子
网络·人工智能·汽车·互联网·实验室·emc
朝朝暮暮Quake2 小时前
情感计算多模态融合方法
人工智能
MoRanzhi12032 小时前
2. Pandas 核心数据结构:Series 与 DataFrame
大数据·数据结构·人工智能·python·数据挖掘·数据分析·pandas
赋创小助手2 小时前
Supermicro NVIDIA Grace Superchip存储服务器超微ARS-121L-NE316R开箱评测
运维·服务器·人工智能·深度学习·机器学习·自然语言处理