你有文字描述，即非结构化数据。因此，您可能应该使用一种标准的文本表示方法。有很多选项，包括句子嵌入和这种高级方法，但我将描述简单的传统选项：

• 每个描述值都可以表示为一个特征向量，一个用于完整词汇表中的每个单词（即该字段的所有值）。
• 每个特征的值可以是布尔值（即这个词是否出现在这个描述中）或更好的词的 TF-IDF 权重。
• 显然这会导致功能过多，因此需要应用选择最相关的功能。这部分是非常实验性的，您可能需要尝试各种选项才能找到正确的选项：
  • 去掉停用词，因为它们不提供语义信息。
  • 丢弃所有只出现一次的单词，可能还有所有出现频率低于某个最小频率的单词$N$（尝试使用 $N=2,3,4...）。理由是稀有词更可能导致过度拟合，而不是真正帮助任何类型的分类。
  • 除此之外，您可以使用一般特征选择（例如信息增益）或特征聚类。

[对问题的第一个版本的过时答案]

我肯定会尝试对这些值进行规范化，因为从语义上讲它们是数字的，并且在它们的原始形式中它们几乎是无用的，无论采用何种分类方法。将它们分类会丢失很多信息，尤其是那些实际提供数字的信息。由于使用的一些字符串非常模糊，我可能会尝试使用间隔，即每个原始输入值的两个数值：

• 三英寸半，三又 1/2 英寸 -> 最小 3.4 - 最大 3.6
• 27.6234 英寸 -> 最小 27.6234 - 最大 27.6234
• 高 -> 大范围高值
• 短，有点短 -> 大范围低值

通常，将数字表示为单词的方法并不多，只有几个模式就足以捕获所有变体。对于其他非标准情况，例如“有点短”，我将从查看数据的分布开始：如果一个值足够频繁（例如，可能是“短”、“高”），则手动预定义范围。可以忽略不频繁的值，例如用 NA 替换（因为它们不频繁，不会对数据产生太大影响）。

您对标签编码、单热编码等的考虑是相当准确的。对于处理描述性数据，将每个描述转换为有意义的向量肯定会有所帮助。

有意义的向量是捕捉描述中所说内容的本质的向量。

让，

football = "round bouncy toy for kids to kick"
basketball = "round bouncy toy for kids to dribble"
spark_plug = "device for delivering electric current from an ignition system to the combustion chamber of a spark-ignition engine"

有意义的向量将具有这样的性质，

dist(vector(football), vector(basketball)) < dist(vector(football), vector(spark_plug))

对于在普通英语语料库上学习的向量表示，出现如下属性 -

vector('king') - vector('male') + vector('female') = vector('queen')

Word2Vec是一种计算词向量的有效方法——向量可以捕捉单个词的含义。要使用 Word2Vec，您可以 -

1. 使用通过在大型公共语料库（如 Wikipedia）上预训练 Word2Vec 获得的向量。由于您的描述包含没有特定领域含义的单词，这似乎更可取。然而，这种方法有一个缺点。本着获得整个英语词汇表的准确表示的精神，这些学习向量往往具有高维度（300 和 1000 更常见），这可能使它们无法用于您的任务。
2. 用你自己的词汇训练 Word2Vec。使用这种方法，您可以设置足够的学习向量维度来捕获单词含义，但不会破坏您的特征空间。

对于您的描述，您可以平均其组成词的向量，从而将每个描述视为一个词袋，或者您可以使用复杂的技术，如Doc2Vec，它基于 Word2Vec，但试图捕获词的相对顺序。

Gensim 的Word2Vec 和 Doc2Vec 实现有一个相当简单的 API 公开，您可以快速学习将其用于您的特定任务。