Python机器学习手册：从数据预处理到深度学习

83

第 5 章

处理分类数据

5.0

　简介

有时候，根据某种特性而不是数量来度量对象会更有效。我们常常使用这种定性的信息

来判断一个观察值的属性，比如按照性别、颜色或者车的品牌这样的类别对其分类。但

并不是所有的分类数据都是这样的。本身没有内在顺序的类别称为

nominal

，

以下类别

都属于

nominal

类别 ：

y

蓝色、红色、绿色

y

男性、女性

y

香蕉、草莓、苹果

相反，如果一组分类天然拥有内在的顺序性，它就被称为

ordinal

，

例如 ：

y

低、中、高

y

年轻、年迈

y

同意、中立、反对

此外，分类信息常常用一个字符串型的向量或列（例如，

"

Maine

"

、

"

Texas

"

、

"

Delaware

"

）表示，但大部分机器学习算法都要求其输入是数值型的数据。

KNN

（

K-Nearest Neighbor

，

K

近邻）算法就是一个简单的例子。该算法的第一步是计

算两个观察值之间的距离，通常使用的是欧氏距离 ：

∑

i =1

n

x

i

− y

i

2

where x and y are two observations and subscript i denotes the value for the observa‐

tions’ ith feature. However, the distance calculation obviously is impossible if the

value of x

i

is a string (e.g., "Texas"). Instead, we need to convert the string ...