关于分类变量

什么是分类变量

分类变量（categorical variable）

分类变量，用于表示类别或标签
类似于维度，描述性的变量，不是单纯的连续性数值

比如：性别（男女）、省份、城市、年龄段

分类变量可以分为：

• 有序分类变量
  比如：初级、中级、高级，各分类中是有些程度上的差异的

• 无序分类变量
  比如颜色、省份，各分类中无程度上的差异

分类变量的处理

在机器学习的很多算法中，是不能识别分类变量的，我们需要将这些变量进行转换

• 独热编码（One-Hot Encoding）
  独热编码，又称一位有效码，一种稀疏向量，其中，一个元素为1，其余元素均设为0
  比如：
  性别：男、女，可以转换为[1,0]和[0,1]，注意下，这里是两位的组合，也就是分类变量有N个元素（特征），那么独热编码也是要有N个元素的

在pandas中，进行独热编码很方便

参考：pandas函数-get_dummies

• 虚拟编码（Dummy coding）
  （刚刚正好学会一个词儿，dummy variable 哑变量）

独热编码的问题在于它允许 k 个自由度，而变量本身只需要 k-1。虚拟编码通过在表示中仅使用 k-1 特征来消除多余的自由度。

这里说明的问题，就是独热编码有些冗余，使用虚拟编码就可以解决，比如上面提高的性别，我们使用01表示男，使用10表示女，而在虚拟编码中， 可以直接使用1表示男，0表示女
再比如：

这红、黄、蓝三种颜色，其实使用2个变量就可以表示，10表示蓝色，01表示黄色，00就是红色了

---

下面这篇文章是我参考整理的，原文还介绍了很多其他内容和实例，我没有记录完整，
等后续有空再继续学习

参考：机器学习中的特征工程——分类变量的处理