Python中如何将城市字符串列表转换为数字编码用于数据挖掘？

核心技术关键词 #

• 标签编码（Label Encoding）：将离散类别型字符串映射为连续整数的编码方式，是数据挖掘中预处理类别特征的常用手段，适用于无顺序的类别特征（如城市名称）。
• 类别特征预处理：你的需求属于数据挖掘流程中，对非数值型类别特征的转换环节，目的是将字符串特征转换为模型可识别的数值格式。

实现方式 #

1. 手动实现（无需第三方库） #

适合快速验证需求，可灵活控制编码顺序：

cities = ['new york', 'los angeles', 'miami', 'new york', 'dallas']

# 按原列表中城市首次出现的顺序建立映射（从1开始编码）
city_mapping = {city: idx + 1 for idx, city in enumerate(dict.fromkeys(cities))}
encoded_list = [city_mapping[city] for city in cities]

print(encoded_list)  # 输出: [1, 2, 3, 1, 4]

• 若需要按字母排序生成编码，将dict.fromkeys(cities)替换为sorted(set(cities))即可。

2. 使用scikit-learn的LabelEncoder #

适合集成到机器学习预处理流水线，支持大规模数据处理：

from sklearn.preprocessing import LabelEncoder
from collections import OrderedDict

cities = ['new york', 'los angeles', 'miami', 'new york', 'dallas']

# 按原列表出现顺序定义唯一类别
unique_cities = list(OrderedDict.fromkeys(cities))
le = LabelEncoder()
le.fit(unique_cities)

# 生成编码并转为从1开始
encoded_list = le.transform(cities) + 1

print(encoded_list)  # 输出: [1, 2, 3, 1, 4]

• 若不指定顺序，LabelEncoder默认按字母排序对类别编码。

3. 使用pandas的factorize方法 #

pandas内置工具，简洁高效，默认按类别首次出现顺序编码：

import pandas as pd

cities = ['new york', 'los angeles', 'miami', 'new york', 'dallas']

# factorize返回编码（从0开始）和唯一类别数组
encoded_arr, unique_cities = pd.factorize(cities)
# 转为从1开始的编码
encoded_list = encoded_arr + 1

print(encoded_list)  # 输出: [1, 2, 3, 1, 4]

内容的提问来源于stack exchange，提问作者MEGAH ADI WICAKSONO