在 scikit 学习中使用分类预测变量

Question

这里是基本问题：

我正在尝试为信用卡违约实施一个简单的分类模型，我只对输入数据使用 model.fit、model.predict。但是，该输入数据包含分类数据（如年龄、已婚或未婚、教育水平等人口统计信息）和连续数据（如信用余额）。

data.info()

<div class="output"><div class="output_area"><div class="run_this_cell"></div><div class="prompt"></div><div class="output_subarea output_text output_stream output_stdout"><pre>&lt;class 'pandas.core.frame.DataFrame'&gt;
Int64Index: 30000 entries, 1 to 30000
Data columns (total 24 columns):
LIMIT_BAL    30000 non-null float64
SEX          30000 non-null int64
EDUCATION    30000 non-null int64
MARRIAGE     30000 non-null int64
AGE          30000 non-null int64
PAY_1        30000 non-null int64
PAY_2        30000 non-null int64
PAY_3        30000 non-null int64
PAY_4        30000 non-null int64
PAY_5        30000 non-null int64
PAY_6        30000 non-null int64
BILL_AMT1    30000 non-null float64
BILL_AMT2    30000 non-null float64
BILL_AMT3    30000 non-null float64
BILL_AMT4    30000 non-null float64
BILL_AMT5    30000 non-null float64
BILL_AMT6    30000 non-null float64
PAY_AMT1     30000 non-null float64
PAY_AMT2     30000 non-null float64
PAY_AMT3     30000 non-null float64
PAY_AMT4     30000 non-null float64
PAY_AMT5     30000 non-null float64
PAY_AMT6     30000 non-null float64
default      30000 non-null int64
dtypes: float64(13), int64(11)
memory usage: 5.7 MB
</pre></div></div></div>

根据我的理解，scikit-learn 要求所有数据都是数字的和连续的，或者专门编码为分类变量。数字部分不是问题，因为我所有的数据都是用数字编码的（比如 0 表示已婚，1 表示未婚）但是我的 3 个变量（SEX、EDUCATION 和 MARRIAGE）是 nominal/ordinal 并且需要编码为分类变量而不是 int64 变量。

我如何使用 scikit-learn 的预处理模块对这 3 个变量进行编码，以将这些特征正确地输入到逻辑回归等模型中？

提前致谢，请原谅格式（随意编辑或推荐我如何正确地将 Jupyter Notebook 输出包含到 Stack Overflow post）。

Answer 1

分类特征在特征工程中需要更多关注，因为年龄、日期等特征很难编码。有很多方法可以通过分析、领域知识等来编码这些特征。

有一个库 category_encoders，它有很多功能可以通过使用统计来编码这些特征。您可以在这里找到更多 http://contrib.scikit-learn.org/categorical-encoding/

这里又是一个好东西resource，它会通过一个例子向你展示编码方法的使用。

在 scikit 学习中使用分类预测变量

Using Categorical Predictor Variables in sci-kit learn

python

machine-learning

scikit-learn

classification

categorical-data