我有一个包含名义和数值特征的数据集。我希望能够尽可能地将这个数据集完全用数字表示出来。

理想情况下，我希望能够对n元名义特征进行这种表示。我意识到在二元情况下，可以用整数来表示两个名义值。然而，当一个名义特征可以有多种排列组合时，这是否可能实现呢？

回答：

有许多技术可以将分类属性“嵌入”为数字。

例如，给定一个可以取值red、green和blue的分类变量，我们可以简单地将其编码为三个属性isRed={0,1}、isGreen={0,1}和isBlue={0,1}。

虽然这种方法很流行，并且显然“有效”，但许多人误以为之后的数值处理技术会产生合理的结果。

例如，如果你在一个这样编码的数据集上运行k-means算法，结果可能不会太有意义。特别是，如果你得到的平均值如isRed=.3 isGreen=.2 isBlue=.5，你无法合理地将其映射回原始数据。更糟糕的是，使用某些算法时，你甚至可能得到isRed=0 isGreen=0 isBlue=0的结果。

我建议你尽量处理你的实际数据，尽可能避免编码。如果你有一个好的工具，它将允许你使用混合数据类型。不要试图将所有东西都变成数值向量。这种数据的数学视角相当有限，数据不会给你所有你需要从这种视角受益的数学假设（例如，度量空间）。