我正在开发一个回归算法，在本例中使用k-最近邻来预测某产品的价格。

我的训练集只有一个类别特征，具有四种可能的值。我使用了一对多的类别编码方案来处理它，这意味着现在我的Pandas DataFrame中增加了三个列，每列根据现有的值包含0或1。

DataFrame中的其他特征主要是距离，如位置的纬度-经度和价格，全部为数值型数据。

我应该在类别编码之前还是之后进行标准化（使其符合均值为零和单位方差的高斯分布）以及归一化处理？

我认为在编码之后进行归一化可能会有益，这样在测量邻居之间的距离时，每个特征对估计器来说都同样重要，但我并不是很确定。

回答：

这似乎是一个悬而未决的问题，因此我想回答，尽管现在有点晚了。我也不确定向量之间的相似性会受到多大影响，但在我的实际经验中，你应该先对特征进行编码，然后再对它们进行缩放。我曾尝试过使用scikit learn的preprocessing.StandardScaler()进行相反的操作，如果你的特征向量长度不一致，它是行不通的：scaler.fit(X_train)会产生ValueError: setting an array element with a sequence. 从你的描述中我可以看出你的数据具有固定的特征数量，但我认为为了泛化（将来可能有新的特征？），最好假设每个数据实例具有唯一的特征向量长度。例如，我使用Keras的text_to_word_sequence将我的文本文档转换为词索引（这会给我不同的向量长度），然后我将它们转换为一热向量，最后进行标准化。实际上，我并没有看到标准化带来多大的改进。我认为你也应该重新考虑哪些特征需要标准化，因为虚拟变量可能不需要标准化。这里似乎并没有提到类别属性需要任何标准化或归一化处理。K-最近邻是基于距离的，因此这些预处理技术可能会对其产生影响。我建议尝试标准化或归一化，并检查不同模型对你的数据集和任务的反应如何。