我在研究分类算法，并且获得了一些具有某种模式的不同字符串代码。

|:-----------|------------:|:------------:|| Column 1   | Column 2    | Column 3     ||:-----------|------------:|:------------:|| MN009      | JIK9PO      | LEFTu        || MN010      | JIK9POS     | LEFTu        || MN011      | JIK9POKI    | LEFTu        || MN012      | KIJU        | LEFTu        || MN013      | RANDOM      | LEFTu        || MN014      | FT          | LEFTu        ||:-----------|------------:|:------------:|

对于第1列和第3列，特征集可以是长度为5的向量。

但我不知道如何创建一个特征集来同时容纳第2列的数据。

考虑因素：

1. 创建一个与最长字符串长度相同的特征向量，对于较短的字符串添加一些填充物。
2. 将字符串截断到固定长度，例如这里的5，并忽略多余的字符。

希望我的问题已经表达清楚。谢谢 🙂

回答：

有两种解决方案：

1. 你提到的方法；预定义一个长度，对于长度不足的序列进行零填充。这个长度可以设置为：

   • 当前存在的样本中最长的那个（更大的特征空间 ⇒ 时间/内存复杂度的影响），

   • 或者设置为一个较短的长度（信息损失 ⇒ 预测能力的损失）。信息损失来自于忽略超过该长度的序列，或者截断它们并使用其缩减版本。

     在这两种情况下，你可能应该量化你的选择的影响（即，我通过丢弃/截断数据丢失了多少信息，或者与使用较短长度相比，我的问题空间增大了多少）。

2. 动态图，本质上是可变形状的网络，可以处理不同大小的序列。这种能力由PyTorch提供，并且（相对）容易实现（相关的Stack Overflow问题）