二值化
设置一个condition,把连续型的数据分类两类。比如Age,大于30,和小于30。
from sklearn.preprocessing import Binerize as Ber
x = data_2.iloc[:,0].values.reshpe(-1,1) #提取数据
trans = Ber(threshold = 30).fit_transform(x)
trans
这是x中>30的设置为1,其他的设置为0.
标签
有时数据可能需要对数据进行分箱化处理,或者给不同的数据设置不同的标签。
from sklearn.preprocessing import LabelEncoder as le
l = le()
l=l.fit(y)
label =l.transform(y)
可以在l对象,用classes_属性,查看总共有多少类。
l.classes_
array(['No', 'Unknown', 'Yes'], dtype=object)
label中就是处理过的数据。可直接写成:
from sklearn.preprocessing import LabelEncoder
data.iloc[:,-1]=LabelEncoder().fit_transform(data.iloc[:,-1])
独热编码
如果数据是有序,但不能进行计算。比如小学、中学、大学。如果用1,2,3分别进行替代。那么计算时,可能会将2视作1+1,两个小学加起来和中学不等,因此需要将它们单独分类组成这样的数据:
stu_id | 小学 | 中学 | 大学 |
---|---|---|---|
1234 | 1 | ||
1235 | 1 | ||
1236 | 1 |
这种方法就叫独热编码。
from sklearn.preprocessing import OneHotEncoder
enc=OneHotEncoder(categories='auto').fit(x)
使用get_feature_names() 可查看名称:
enc.get_feature_names()
enc.get_feature_names()
得到的结果是稀疏矩阵,需要用toArray() 方法。
result=OneHotEncoder(categories='auto').fit_transform(x).toarray()
最后将结果连接到原数据中,再提取。
newdata=pd.concat([data, pd.DataFrame(result)],axis=1)