数据处理 | pandas入门专题——离散化与one-hot

今天是pandas数据处理专题第7篇文章，可以点击上方专辑查看往期文章。

在上一篇文章当中我们介绍了对dataframe进行排序以及计算排名的一些方法，在今天的文章当中我们来了解一下dataframe两个非常重要的功能——离散化和one-hot。

离散化

离散对应的反面是连续，离散化也就是将连续性的数值映射到一个离散的值。举个很简单的例子，比如说现在有一个特征是用户的收入，我们都知道贫富差距是非常巨大的，一个马云的收入顶的上成千上万人收入之和。而最穷的人收入非常少，甚至每天不到一美元。

我们来设想一下，假设我们将收入这个值作为特征放入模型，会发生什么。如果是线性模型，很显然模型会被这个特征值给带跑偏。我们来看下线性回归的公式：，这里的W表示的样本矩阵X的系数向量。假设某一维是收入，那么它对应的系数显然必须非常非常小，因为样本当中有马云这种顶级大佬的收入存在，也就是说为了拟合这样的极端数据，模型被带跑偏了。

这种情况非常多，因为现实生活当中很多数据的分布是非常不均匀的。往往不是正态分布而是二八分布，甚至更加两极分化。那针对这种情况该怎么处理呢？

比较简单也比较常用的一种方法就是将它离散化，将原本连续的值映射成离散的变量。比如说收入，我们不再直接用收入这个值来作为特征，而是将它分成几个桶，比如分为低收入群体，中等收入群体，高收入群体。这样对模型训练来说，就不会被带偏了，但是缺点是损失了部分信息。比如说马云和东哥都是高收入群体，但是两人的挣钱能力其实还是相差蛮远的。如果采用这种方式就体现不出来了，所以离散化的设计也不是拍脑门的，也要根据实际情况具体分析。

那么假设我们希望在dataframe当中做这样离散化的操作，应该怎么办呢？

其实非常简单，pandas的开发人员早就想到了这个需求，有现成且成熟的api可以使用。我们来看个例子，首先我们创建一批数据，表示一批用户的年收入：

income = [2000, 10000, 150000, 8000, 20000, 30000, 50000, 1000000, 20000000, 300000000]

然后我们再人为的设置分桶用来对收入进行划分：

bins = [0, 30000, 100000, 10000000, 1000000000]

之后我们只需要调用pandas当中的cut方法，将income和bins数组都传入就可以了：

pandas返回的结果是Categorical的对象，表示一种类别。像是(0, 30000]既是这个分桶的值的范围，也表示这个分桶的名字。我们也可以自己传入我们定义的分桶名称来替换这个范围：

这里要注意我们传入的labels的数量要比bins也就是划分范围少一个，因为划分的区间是半闭半开的，区间的数量是bins-1，所以我们指定的labels数量也应该是bins-1。在默认的划分方法当中，采用的是左开右闭区间，和我们常用的左闭右开区间不同，我们可以通过right=False这个参数将它设置成左闭右开区间。

在使用cut的过程当中，如果我们希望按照值的范围来进行均等划分的话，我们也可以传入我们希望划分的分桶数量代替bins，这样pandas会根据这一列值的范围按照指定的数量进行均分进行划分：

如果是采用均等划分，想要对划分的精度进行限定，可以通过precision参数进行限定。比如说我们希望精度保留两位小数，那么传入precision=2即可。

离散化的方法除了cut之外，还有一个叫做qcut，和cut不同之处在于qcut是根据分位数进行划分的。比如我们希望忽视具体的数值，按照数据的数量进行等分，就需要用到qcut了。

除了传入想要得到的划分数量之外，我们也可以指定想要划分的分位数，是0到1之间的小数，包含端点：

one-hot

one-hot也是机器学习当中非常非常常用的一种数据处理方式，one-hot这个词乍看不是很明白，也有地方翻译成独热码，也很费解。其实它的含义很简单，就是将一系列非数值型的值进行类别分桶，

我们举个很简单的例子，假设我们把男生分为三种：高富帅、矮矬穷和理工男，我们现在有4个男生：[高富帅、矮矬穷、理工男、高富帅]，这显然是一个特征，但问题是大部分模型是不接受字符串类型的特征的，我们必须将它转化成数值才行。问题就在转化这里，我们很难做这个映射。

有人会说我们可以让高富帅、矮矬穷这些标签对应不同的数值，做一个映射不就可以了吗？比如说矮矬穷等于1，高富帅等于2，这样一映射不就变成数值了吗？很可惜不行，原因也很简单，因为我们单纯地把它们映射成数值之后，它们就从一个抽象的概念变成数了。抽象的概念之间是没有大小关系也没有倍数关系的，但是数值有。比如说高富帅等于2，矮矬穷等于1，那在模型当中是否一个高富帅等于两个矮矬穷？是否高富帅大于矮矬穷？

这些额外的信息对模型是非常致命的，我们不希望模型得到这些信息。最好的方法是我们生成一个列表，列表当中有三列分别是高富帅、矮矬穷和理工男。你是高富帅就高富帅那一列为1，其他列都为0，同理你是矮矬穷就矮矬穷那一列为1，其他列为0。在这个列表当中每一行只有一列为1，其他都为0，相当于只有一列热，其他列都是冷的，one-hot就是这么来的。

我们噼里啪啦说了很多，但实际上one-hot的实现非常简单，只有一行：

pd.get_dummies(dataframe)

默认得到的列表的名称会加上这一列的列名作为前缀，我们也可以自己通过prefix传入我们想要的前缀：

多列一起进行one-hot也没有关系：

总结

离散化和one-hot都是非常常用的功能， 一般来说这两个功能通常会连在一起使用，先将某一个值进行离散化，然后再将离散化的结果进行one-hot，从而适应模型。因此本文的内容非常实用，不要错过哦。

今天的文章到这里就结束了，如果喜欢本文的话，请来一波素质三连，给我一点支持吧（关注、转发、点赞）。

- END -

原文链接，求个关注