我的数据框df中有三种类型的分类数据。

df['Vehicles Owned'] = [1,2,3+,2,1,2,3+,2]df['Sex'] = ['m','m','f','m','f','f','m','m']df['Income'] = [42424,65326,54652,9463,9495,24685,52536,23535]

对于df['Vehicles Owned']，我应该怎么处理？（使用独热编码、标签编码，还是保持现状，将3+转换为整数？我已经使用了整数值，因为它们是有顺序的，寻求建议）

对于df['Sex']，我应该使用标签编码还是独热编码？（因为没有顺序，我已经使用了独热编码）

df['Income']有很大的变化。所以我应该将它转换为区间并使用独热编码来解释low、medium、high收入吗？

回答：

我推荐如下处理方法：

• 对于sex，使用独热编码，即使用一个布尔变量来表示is_female或is_male；对于n个类别，你需要n-1个独热编码变量，因为第n个变量与前n-1个线性相关。

• 对于vehicles_owned，如果你想保持顺序，我建议将你的变量从[1,2,3,3+]重新映射到[1,2,3,4]并作为整数变量处理，或者映射到[1,2,3,3.5]作为浮点数变量处理。

• 对于income：你可能应该保持它为浮点数变量。某些模型（如GBT模型）可能会在内部进行某种分箱处理。如果你的收入数据碰巧呈现指数分布，你可以尝试对其取log。但我并不推荐在你自己的特征工程中将其转换为区间。

对于所有这些处理的元建议是，建立一个你有信心的交叉验证方案，尝试不同的特征工程决策，然后根据你的交叉验证性能指标做出最终决定。

最后，关于使用哪个库/函数，我更喜欢pandas的get_dummies，因为它允许你在最终特征矩阵中保持列名信息，如下所示：https://stackoverflow.com/a/43971156/1870832