sklearn 分类变量转换

在用进行机器学习模型建立时，我们拿到的数据总是包含有分类变量和数值型变量，但是sklearn模型要求的输入都是数值型的。因此，在构建模型之前，我们需要对分类变量进行转换。

分类变量的类型

分类变量一般分为无序分类变量和有序分类变量，对应的，在sklearn中，我们需要使用OnehotEncoder和OrdinalEncoder

from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
X = [['Male', 'US'], ['Female', 'CN'], ['Female', 'UK']]
enc.fit(X)

from sklearn.preprocessing import OrdinalEncoder
enc = OrdinalEncoder()
X = [['Male', 1], ['Female', 3], ['Female', 2]]
enc.fit(X)

复杂情况

有时我们的数据变量情况很复杂，是多种变量类型的组合，如：

无序分类变量和数值型变量

from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.compose import make_column_transformer
from sklearn.compose import make_column_selector
import numpy as np
import pandas as pd  
X = pd.DataFrame({'city': ['London', 'London', 'Paris', 'Sallisaw'],
                  'rating': [5, 3, 4, 5]})  
ct = make_column_transformer(
      (StandardScaler(),
       make_column_selector(dtype_include=np.number)),  # rating，数值型变量，用StandardScaler处理
      (OneHotEncoder(),
       make_column_selector(dtype_include=object)))  # city，无序的分类变量，用OneHotEncoder处理
ct.fit_transform(X)

无序分类变量，有序分类变量和数值型变量

from sklearn.preprocessing import OneHotEncoder, OrdinalEncoder
from sklearn.compose import ColumnTransformer
import numpy as np
import pandas as pd  
X = pd.DataFrame({'city': ['London', 'London', 'Paris', 'Sallisaw'],
                  'Frequency': ['No', 'No', 'Sometimes','Always'],
                  'rating': [5, 3, 4, 5]})  
ct = ColumnTransformer(
    [("onehot", OneHotEncoder(), ['city']), # city, 无序分类变量，用OneHotEncoder处理
     ("ordinal", OrdinalEncoder(categories=['No', 'Sometimes', 'Always']), ['Frequency'])], # Frequency，有序分类变量，用OrdinalEncoder处理，并设置顺序categories=['No', 'Sometimes', 'Always']
     remainder='passthrough') # remainder，剩余的变量保存不变
ct.fit_transform(X)