定性特征转化为定量特征之factorize

前面介绍了独热编码和哑编码，还有一种可以将定性特征转化为定量特征的方法，即factorize（）,下面将介绍一下该方法

概要：在泰坦尼克灾难预测中，dummy不好处理Cabin（船舱号）这种标称属性，因为它出现的变量比较多。所以Pandas有一个方法叫做factorize()，它可以创建一些数字，来表示类别变量，对每一个类别映射一个ID，这种映射最后只生成一个特征，不像dummy那样生成多个特征。

factorize函数可以将Series中的标称型数据映射称为一组数字，相同的标称型映射为相同的数字。factorize函数的返回值是一个tuple（元组），元组中包含两个元素。第一个元素是一个array，其中的元素是标称型元素映射为的数字；第二个元素是Index类型，其中的元素是所有标称型元素，没有重复。
看代码：

 

df = pd.DataFrame({"id":[1,2,3,4,5,6,3,2],"raw_grade":['a','b','b','a','a','e','c','a']})
print(df)
x = pd.factorize(df.raw_grade)
print(x)

 

   id raw_grade
0   1         a
1   2         b
2   3         b
3   4         a
4   5         a
5   6         e
6   3         c
7   2         a
(array([0, 1, 1, 0, 0, 2, 3, 0], dtype=int64), Index(['a', 'b', 'e', 'c'], dtype='object'))

print(x[0])
print(x[1])

[0 1 1 0 0 2 3 0]
Index(['a', 'b', 'e', 'c'], dtype='object')

 

看一下x的类型

print(type(x))

<class 'tuple'>

 

总结：对于one-hot encoding、dummy enconding还是factorize都可以将定性特征转化为定量特征，三种方法各有各自最适用的场合，要根据实际情况作出最合理的选择，以便在数据处理的过程中得到最理想的结果。