如何用Pandas识别Sklearn Wine数据集的分类/离散与数值特征

一、Wine数据集里的分类/离散特征 #

Sklearn的Wine数据集里，只有target列是分类/离散特征——它的取值是0、1、2，分别对应三种不同的葡萄酒类别。其余所有特征（比如alcohol酒精含量、malic_acid苹果酸含量等）都是连续数值型的理化检测指标，属于数值特征。

二、Pandas自动识别数字型分类特征的问题与解决思路 #

Pandas通过dtype确实没法区分数字编码的分类特征和普通数值特征，因为它们的类型都是数值型（int/float）。要解决这个问题，有两种实用思路：

1. 基于数据集文档手动标记 #

Wine数据集的官方说明里明确标注了target是分类变量，直接手动将其转为分类类型即可：

df['target'] = df['target'].astype('category')

2. 通过唯一值占比自动检测 #

如果遇到未知数据集，可以通过判断特征的唯一值数量与样本总量的比例来推测——分类特征的唯一值通常远少于样本数，且多为整数编码。可以写个简单的检测函数：

def detect_categorical_features(df, threshold=0.05):
    categorical_cols = []
    total_samples = len(df)
    for col in df.columns:
        unique_count = df[col].nunique()
        # 唯一值占比低于阈值，且为整数类型时判定为分类特征
        if unique_count / total_samples < threshold and pd.api.types.is_integer_dtype(df[col]):
            categorical_cols.append(col)
    return categorical_cols

# 对Wine数据集应用检测
categorical_cols = detect_categorical_features(df)
print("识别出的分类特征：", categorical_cols)  # 输出会是['target']

三、计算分类特征的取值频率 #

识别出分类特征后，用Pandas的value_counts()就能快速统计取值的计数或占比：

# 统计取值计数
print(df['target'].value_counts())

# 统计取值频率（占比）
print(df['target'].value_counts(normalize=True))

四、提取所有数值特征 #

排除已识别的分类特征，剩下的就是数值特征：

numerical_cols = [col for col in df.columns if col not in categorical_cols]
numerical_features = df[numerical_cols]

内容的提问来源于stack exchange，提问作者Alex Woolfe