我正在处理的数据集中，分类变量是有序的，三个列的值从1到5。我打算将这些数据输入到XGBoost模型中。

我可以直接运行以下命令并跳过创建虚拟变量吗：

ser = pd.Series([1, 2, 3], dtype='category')ser = ser.to_frame()ser = ser.T

从概念上讲，既然分类数据是有序的，仅将其转换为类别类型是否就足够了？我尝试过创建虚拟变量，但所有值都变成了1。

至于现在的代码，它可以运行，但这个命令返回了’numpy.int64’。

type(ser[0][0])

我这样做对吗？任何帮助都将不胜感激！

编辑：更新了代码

编辑2：对数值数据进行标准化。这种逻辑正确吗？

r = [1, 2, 3, 100 ,200]scaler = preprocessing.StandardScaler()r = preprocessing.scale(r)r = pd.Series(r)r = r.to_frame()r = r.T

编辑3：这是数据集。

回答：

仅仅将分类变量设置为dtype="category"是不够的，也不会起作用。

你需要使用pd.factorize()将分类值转换为真正的分类值，每个类别被分配一个数值标签。

假设df是你的pandas数据框。那么一般来说，你可以使用以下模板代码：

df_numeric = df.select_dtypes(exclude=['object'])df_obj = df.select_dtypes(include=['object']).copy()# 对分类列进行因子化for c in df_obj:     df_obj[c] = pd.factorize(df_obj[c])[0]# 如果你想进行独热编码，则添加以下行：df_obj = pd.get_dummies(df_obj, prefix_sep='_', drop_first = True)# 将数据框合并回一个df_final = pd.concat([df_numeric, df_obj], axis=1)

由于你的分类变量已经是因子化的（据我理解），你可以跳过因子化步骤，直接尝试独热编码。

另见stats.stackexchange上的这篇文章。

如果你想对你的数值数据（不是分类数据）进行标准化/归一化，请使用以下函数：

from sklearn import preprocessingdef scale_data(data, scale="robust"):    x = data.values         if scale == "minmax":        scaler = preprocessing.MinMaxScaler()        x_scaled = scaler.fit_transform(x)    elif scale == "standard":        scaler = preprocessing.StandardScaler()        x_scaled = scaler.fit_transform(x)    elif scale == "quantile":        scaler = preprocessing.QuantileTransformer()        x_scaled = scaler.fit_transform(x)          elif scale == "robust":        scaler = preprocessing.RobustScaler()        x_scaled = scaler.fit_transform(x)      data = pd.DataFrame(x_scaled, columns = data.columns)     return datascaled_df = scale_data(df_numeric, "robust")

将所有这些整合起来，针对你的数据集：

from sklearn import preprocessingdf = pd.read_excel("default of credit card clients.xls", skiprows=1)y = df['default payment next month'] #目标变量del df['default payment next month']c = [2,3,4] # 分类数据列的索引r = list(range(0,24)) r = [x for x in r if x not in c] # 获取所有其他列的列表df_cat = df.iloc[:, [2,3,4]].copy()df_con = df.iloc[:, r].copy()# 对分类数据进行因子化for c in df_cat:     df_cat[c] = pd.factorize(df_cat[c])[0]# 对连续数据进行缩放scaler = preprocessing.MinMaxScaler()df_scaled = scaler.fit_transform(df_con)df_scaled = pd.DataFrame(df_scaled, columns=df_con.columns)df_final = pd.concat([df_cat, df_scaled], axis=1)#将列重新排序回原始顺序cols = df.columnsdf_final = df_final[cols]

为了进一步改进代码，请在归一化之前进行训练/测试数据分割，对训练数据使用fit_transform()，对测试数据仅使用transform()。否则会导致数据泄露。