[编辑] 另见卡洛斯的回答，我认为它比我的好。

您应该对分类特征使用一种热编码。用数值替换分类值将是一个坏主意，因为它在值之间引入了顺序，并且模型会尝试根据此顺序查找模式（例如，'x < 4'）。

如果确实有太多不同的值，那么删除或替换最不常见的值通常是一个好主意，但这些数据似乎不是问题。

根据记录，超过 15 种不同的值没什么好害怕的。例如，在处理文本数据时，通常会处理一个单词的数千个值。

虽然这里的大多数答案都建议使用各种编码方案，但我想提出一种不同的方法：折叠类别。这个想法是，如果有两个（或更多）相似的类别，您可以将它们合并为一个类别，从而降低特征/变量的维数。此外，如果有一些类别具有预期的低频，您可以将它们折叠为“其他”类别。

如果您有高基数分类数据（至少超过 10 个），您可以进行目标编码。高基数的一种热编码对以下情况不利：

• 模型的输入数据变得非常广泛，既不能保证最优也不能保证有效的方法，

• 创建的特征变得稀疏（大多数级别几乎没有出现在数据中）

• 一种热编码不处理新的和看不见的类别

这里的一种选择是进行目标编码。

这是一个介绍。

在这里找到一个 python 实现。

好处

目标编码的好处：

• 处理高基数问题
• 类别是有序的，便于提取信息和简化模型

缺点

• 过拟合

对具有高基数的分类数据进行编码有很多不错的选择。如果使用 Python，Category Encoders 包在撰写本文时有十几个选项。我在这里写了使用其中一些的指南。

类别编码器包括几个贝叶斯编码器，包括目标编码器。

二进制和散列编码器有助于降低维度，但可能会使您的模型更难获取数据中的信号。