我正试图使用scikit learn在数据集上运行一些机器学习算法。我的数据集有一些类似类别的功能。类似的一个特性是A，它的值1,2,3指定某个事物的质量。1:Upper, 2: Second, 3: Third class。所以它是一个序数变量。
类似地，我将具有三个值('London', Zurich', 'New York'的变量City重新编码为1,2,3，但对这些值没有特定的偏好。现在这是一个名义范畴变量。
我如何指定算法来考虑熊猫中的分类和序数等？。与R中一样，类别变量由factor(a)指定，因此不被视为连续值。熊猫/蟒蛇身上有类似的东西吗？
。。。几年后（因为我认为不仅需要对这个问题做出很好的解释，而且需要在未来提醒自己）
普通与标称
通常，人们会将分类变量转换为伪变量（或许多其他方法），，因为它们是标称的，例如它们对 a > b > c没有感觉。在OP最初的问题中，这将仅在伦敦、苏黎世、纽约等城市执行。
标称的虚拟变量
对于这种类型的问题，pandas提供了迄今为止最简单的使用pandas.get_dummies的转换。因此：
# create a sample of OPs unique values
series = pandas.Series(
numpy.random.randint(low=0, high=3, size=100))
mapper = {0: 'New York', 1: 'London', 2: 'Zurich'}
nomvar = series.replace(mapper)
# now let's use pandas.get_dummies
print(
pandas.get_dummies(series.replace(mpr))
Out[57]:
London New York Zurich
0 0 0 1
1 0 1 0
2 0 1 0
3 1 0 0
范畴变量的有序编码
然而，在序数变量的情况下，用户在使用pandas.factorize时必须谨慎。原因是工程师希望保留映射中的关系，使得CCD_。
因此，如果我想取一组类别变量，其中large > medium > small，并保持它，我需要确保pandas.factorize保持这种关系。
# leveraging the variables already created above
mapper = {0: 'small', 1: 'medium', 2: 'large'}
ordvar = series.replace(mapper)
print(pandas.factorize(ordvar))
Out[58]:
(array([0, 1, 1, 2, 1,... 0, 0]),
Index(['large', 'small', 'medium'], dtype='object'))
事实上，为了维护序数的概念，需要保留的关系在使用pandas.factorize时已经丢失。在这样的实例中，我使用自己的映射来确保有序属性得到保留。
preserved_mapper = {'large':2 , 'medium': 1, 'small': 0}
ordvar.replace(preserved_mapper)
print(ordvar.replace(preserved_mapper))
Out[78]:
0 2
1 0
...
99 2
dtype: int64
事实上，通过创建自己的dict来映射值，不仅可以保留所需的序数关系，还可以用作"；保持你的预测算法的内容和映射有组织"；确保您不仅没有在过程中丢失任何顺序信息，而且还存储了每个变量的每个映射的记录。
int转换为sklearn
最后，OP谈到了将信息传递到scikit-lean分类器中，这意味着需要ints。在这种情况下，如果您的数据中有NaN，请确保您知道此处详细介绍的astype(int) gotcha。
您应该将OneHotEncoder转换器与分类变量一起使用，并保持顺序变量不变：
>>> import pandas as pd
>>> from sklearn.preprocessing import OneHotEncoder
>>> df = pd.DataFrame({'quality': [1, 2, 3], 'city': [3, 2, 1], columns=['quality', 'city']}
>>> enc = OneHotEncoder(categorical_features=[False, True])
>>> X = df.values
>>> enc.fit(X)
>>> enc.transform(X).todense()
matrix([[ 0., 0., 1., 1.],
[ 0., 1., 0., 2.],
[ 1., 0., 0., 3.]])
请参阅https://pandas.pydata.org/pandas-docs/stable/generated/pandas.factorize.html请参阅此问题如何为Sci-kit重新格式化分类Pandas变量Learn