我有一个名为的列Street，它有 2 个值：Paved 和 Gravel。这是print(train[binary_columns[0]].unique().tolist())给我的：
['Pave', 'Grvl']
我想像这样用二进制编码这些值：
df['Street'] = df['Street'].replace(['Pave', 'Grvl'], [1, 0])
但我想知道这是否是个好主意。计算机不会将其解释为Pave > Grvl吗？计算机如何区分二进制和整数编码？
二进制编码及其在 Python 中的解释
数据挖掘
机器学习
Python
数据框
卡格尔
二进制
2022-03-15 10:18:18
2个回答
您的分类变量有两个级别，因此虚拟编码与简单地将变量输入分析之间没有实际区别。也就是说，对于虚拟代码，您将创建一个具有两个值的新变量，但您的原始变量已经是一个具有两个值的变量。虚拟编码对于具有两个以上可能值的变量很重要。所以，在这种情况下，计算机不会考虑Pave > Grvl.
但是如果你有两个以上的变量，那么你应该使用虚拟变量。
对于您的数据，您可以使用pandas.get_dummies()或sklearn's一个热编码器来实现您的结果。
- 如何编码？
sklearn.preprocessing 为此提供了各种类，LabelBinarizer 就是其中之一。
- 计算机不会将其解释为 Pave > Grvl 吗？
考虑一个例子，与 Graveled 相比，人们更喜欢 Paved 的房子。然后它们是值之间的关系，因此它应该被视为您提到的东西，否则它应该是独立的值（请参阅下一个答案）。
- 计算机如何区分二进制和整数编码？
正如我上面提到的，如果分类值有某种关系（如上所述），那么在这种情况下它应该是整数值（0,1,2 等等），否则它应该是二进制的。二进制表示将帮助我们将独立值呈现给 ML 模型（但是在这种情况下它没有多大意义，因为您只有 2 个值）。但是考虑一个特征具有超过 2 个分类值的示例。如果它们都是独立的，那么它应该表示为二进制值，即以OneHotEncoding 的形式（请参阅 sklearn.preprocessing 类）。