我正在研究一种回归算法，在这种情况下k-NearestNeighbors来预测产品的特定价格。
所以我有一个训练集，它只有一个分类特征，有4个可能的值。我使用了一对k分类编码方案来处理它，这意味着现在我的Pandas DataFrame中又有3列，根据当前值的不同，列数为0/1。
DataFrame中的其他功能主要是距离，如位置和价格的经纬度，都是数字。
我应该在分类编码之前或之后进行标准化(均值和单位方差为零的高斯分布)和标准化吗
我认为在编码后进行归一化可能是有益的，这样在测量邻居之间的距离时，每个特征对估计器来说都和其他特征一样重要，但我真的不确定。
这似乎是一个悬而未决的问题，所以我想回答，即使已经很晚了。我也不确定向量之间的相似性会受到多大影响，但根据我的实践经验，你应该首先对你的特征进行编码，然后对它们进行缩放。我在scikit学习preprocessing.StandardScaler()时尝试了相反的方法，如果你的特征向量没有相同的长度，它就不起作用：scaler.fit(X_train)产生ValueError: setting an array element with a sequence.。我可以从你的描述中看出，你的数据有固定数量的特征，但我认为出于泛化目的(也许你将来会有新的特征？)，最好假设每个数据实例都有一个唯一的特征向量长度。例如，我用Kerastext_to_word_sequence将文本文档转换为单词索引(这给了我不同的向量长度)，然后将它们转换为一个热向量，然后对它们进行标准化。事实上，我并没有看到标准化有什么大的改进。我认为你也应该重新考虑你的哪些功能需要标准化，因为假人可能不需要标准化。在这里，分类属性似乎不需要任何标准化或规范化。K近邻是基于距离的，因此它可能受到这些预处理技术的影响。我建议尝试标准化或规范化，并检查不同的模型对数据集和任务的反应。
之后。想象一下，您的列中没有数字变量，而是字符串。你不能标准化字符串-对吧？：)
但考虑到你写的关于分类的文章。如果用值来表示，我想里面有某种排名。也许，您可以使用原始列而不是热编码列。只是思想。
您通常希望标准化所有功能，以便在编码后完成(假设您希望从一开始就进行标准化，考虑到有些机器学习算法不需要标准化功能即可正常工作)。
因此，是否标准化数据有50/50的投票权。我建议，考虑到改善收益方面的积极影响，无论多么小，也没有不利影响，在拆分和训练估计器之前，都应该进行标准化