4.2 处理类别数据
到目前为止，我们仅学习了处理数值型数据的方法。然而，在真实数据集中，经常会出现一个或多个类别数据的特征列。我们在讨论类别数据时，又可以进一步将他们划分为标称特征（nominal feature）和有序特征（ordinal feature）。可以将有序特征理解为类别的值是有序的或者是可以排序的。如T恤衫的尺寸就是一个有序特征，因为我们可以为其值排序XL>L>M。相反，标称数据则不具备排序的特性。继续刚才。例子，我们可以将T恤衫的颜色看作一个标称特征，因为一般说来，对颜色进行比较，如红色大于蓝色这种说法是不符合常理的。
在探索类别数据的处理技巧之前，我们先构造一个数据集来用来描述问题：
从代码的输出结果中可以看到，我们新构造的DataFrame分别包含一个标称特征（颜色）、一个有序特征（尺寸）以及一个数值特征（价格）。类标（此处假定我们构造的数据集用于监督学习）存储在最后一列。在本书中，我们讨论的分类学习算法中均不使用有序信息作为类标。
4.2.1 有序特征的映射
为了确保学习算法可以正确地使用有序特征，我们需要将类别字符串转换为整数。但是，没有一个适当的方法可以自动将尺寸特征转换为正确的顺序。由此，需要我们手工定义相应的映射。在接下来的例子中，假设我们了解特征值间的差异，如：XL＝L＋1＝M＋2。
如果在后续过程中需要将整数值还原为有序字符串，可以简单地定义一个逆映射字典：inv_size_mapping={v:k for k,v in size_mappping.items()}，与前面用到的size_mapping类似，可以通过pandas的map方法将inv_size_mapping应用于经过转换的特征列上。
4.2.2 类标的编码
许多机器学习库要求类标以整数值的方式进行编码。虽然scikit-learn中大多数分类预估器都会在内部将类标转换为整数，但通过将类标转换为整数序列能够从技术角度避免某些问题的产生，在实践中这被认为是一个很好的做法。为了对类标进行编码，可以采用与前面讨论的有序特征映射相类似的方式。要清楚一点，类标并不是有序的，而且对于特定的字符串类标，赋予哪个整数值给它对我们来说并不重要。因此，我们可以简单地以枚举的方式从0开始设定类标。
接下来，我们可以使用映射字典将类标转换为整数：
我们可以通过下列代码将映射字典中的键一值对倒置，以将换转过的类标还原回原始的字符串表示：
此外，使用scikit-learn中的LabelEncoder类可以更加方便地完成对类标的整数编码工作：
请注意：fit_transform方法相当于分别调用fit和transform方法的快捷方式，我们还可以使用inverse_transform方法将整数类标还原为原始的字符串表示：
4.2.3 标称特征上的独热编码
在前面小节中，我们曾使用字典映射的方法将有序的尺寸特征转换为整数。由于scikit-learn的预估器将类标作为无序数据进行处理，可以使用scikit-learn中的LabelEncoder类将字符串类标转换为整数。同样，也可以用此方法处理数据集中标称数据格式的color列，代码如下：
执行上述代码，NumPy数组X的第一列现在被赋予新的color值，具体编码结果如下：
·blue→0
·green→1
·red→2
如果我们就此打住，直接将得到的数组导入分类器，那么就会犯处理类别数据时最常见的错误。读者发现问题所在了吗？虽然颜色的值并没有特定的顺序，但是学习算法将假定green大于blue、red大于green。虽然算法的这一假定不太合理，但最终还是能够生成有用的结果。然而，这个结果可能不是最优的。
解决此问题最常用的方法就是独热编码（one-hot encoding）技术。这种方法的理念就是创建一个新的虚拟特征（dummy feature），虚拟特征的每一列各代表标称数据的一个值。在此，我们将color特征转换为三个新的特征：blue、green以及red。此时可以使用二进制值来标识样本的颜色。例如，蓝色样本可以标识为：blue＝1，green＝0，以及red＝0。此编码转换操作可以使用scikit-learn.proprocessing模块中的OneHotEncoder来实现：
当我们初始化OneHotEncoder对象时，需要通过categorical_features参数来选定我们要转换的特征所在的位置（如color是特征矩阵X的第1列）。默认情况下，当我们调用OneHotEncoder的transform方法时，它会返回一个稀疏矩阵。出于可视化的考虑，我们可以通过toarray方法将其转换为一个常规的NumPy数组。稀疏矩阵是存储大型数据集的一个有效方法，被许多scikit-learn函数所支持，特别是在数据包含很多零值时非常有用。为了略过toarry的使用步骤，我们也可以通过在初始化阶段使用OneHotEncoder（…,sparse＝False）来返回一个常规的Numpy数组。
另外，我们可以通过pandas中的get_dummies方法，更加方便地实现独热编码技术中的虚拟特征。当应用于DataFrame数据时，get_dummies方法只对字符串列进行转换，而其他的列保持不变。
