关于 字符串特征 数值化？

Question

bobo，假设一个特征有'Mr','Miss','Mrs'这3个字符串值，如果我想对这个特征数值化输入给机器：那有两种方案  

①对这三个字符串分别转化成 数字1，2，3

②建立新的三个特征，比如'Title_Mr'对于‘Mr’为1，其它两个为0；然后'Title_Mrs'，'Title_Miss'以同样的方式；

我想问的是，这两种转化的方式有区别吗？或者对结果有影响吗？

Answer 1

liuyubobobo 2018-06-27 17:20:02

有区别。第二种更加合理。

这是因为对于第一种方案，隐含了一个在现实中并没有的顺序：1 < 2 < 3，当算法把这个特征当做数字看待的时候，会考虑到这个顺序的关系。但是现实中，Mr, Miss和Mrs这三个类别，是没有这种顺序关系的，所以第二种方案更加合理。

实际上，第二种方案本身，是在特征处理领域，在处理类别特征（Category Feature）时，非常常用的一种方式，称为“One Hot Encoding”。可以在网上搜索一下这个关键词，其中的原理非常简单，就是你说的第二种方案：）在机器学习领域，有很多看起来高大上的概念，其实并不神秘，相信学习这个课程的过程中，你已经遇到很多这种情况了：）

同时，在sklearn中也有相应的类，可以直接进行One Hot Encoding。有兴趣可以在互联网上搜索一下，简单自学一下：）sklearn中的OneHotEncoder文档如下：http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html

加油！：）

• 提问者 慕先生6474118 #1

  ok，非常感谢bobo老师的解惑~