如何在 python/Scikit 学习中处理具有许多唯一值的分类特征
How to handle categorical features with many unique values in python/Scikit learn
在我的情况下，我想对我的数据集中大约 5 个不同的列进行编码，但问题是这 5 个列有许多唯一值。
如果我使用标签编码器对它们进行编码，我会添加一个不正确的不必要的顺序，而如果我使用 OHE 或 pd.get_dummies，那么我最终会有很多功能会添加到数据非常稀疏。
我目前正在处理一个监督学习问题，以下是每列的唯一值：
Job_Role : Unique categorical values = 29
Country : Unique categorical values = 12
State : Unique categorical values = 14
Segment : Unique categorical values = 12
Unit : Unique categorical values = 10
我已经查看了多个参考资料，但不确定最佳方法。在这种情况下，对我的模型具有最大积极影响的最少特征应该是什么
据我所知，通常在这些情况下使用 OneHotEncoder，但正如您所说，您的数据中有很多唯一值。之前找过一个项目的解决方案，看到了如下几种不同的方式，
OneHotEncoder + PCA: I think this way is not quite right, because PCA is designed for continuous variables.[*]
Entity Embeddings：这个方法我不是很了解，不过你可以从标题中的link中查看。
BinaryEncoder：我认为，当你有大量的类别并且进行 one-hot 编码会增加维度并反过来增加模型复杂性时，这很有用.因此，二进制编码是对维数较少的分类变量进行编码的不错选择。
category_encoders 库中还有一些其他解决方案。
在我的情况下，我想对我的数据集中大约 5 个不同的列进行编码，但问题是这 5 个列有许多唯一值。
如果我使用标签编码器对它们进行编码，我会添加一个不正确的不必要的顺序，而如果我使用 OHE 或 pd.get_dummies，那么我最终会有很多功能会添加到数据非常稀疏。
我目前正在处理一个监督学习问题，以下是每列的唯一值：
Job_Role : Unique categorical values = 29
Country : Unique categorical values = 12
State : Unique categorical values = 14
Segment : Unique categorical values = 12
Unit : Unique categorical values = 10
我已经查看了多个参考资料，但不确定最佳方法。在这种情况下，对我的模型具有最大积极影响的最少特征应该是什么
据我所知，通常在这些情况下使用 OneHotEncoder，但正如您所说，您的数据中有很多唯一值。之前找过一个项目的解决方案，看到了如下几种不同的方式，
OneHotEncoder + PCA: I think this way is not quite right, because PCA is designed for continuous variables.[*]
Entity Embeddings：这个方法我不是很了解，不过你可以从标题中的link中查看。
BinaryEncoder：我认为，当你有大量的类别并且进行 one-hot 编码会增加维度并反过来增加模型复杂性时，这很有用.因此，二进制编码是对维数较少的分类变量进行编码的不错选择。
category_encoders库中还有一些其他解决方案。