机器学习建模时如何将月份缩写预处理为可输入模型的整数格式

针对逗号分隔的多月份字符串列、含空值的场景，优先采用多热整数编码方案，输出全为0/1整数类型，无字符串、无缺失值，不会给模型引入错误的数值关系，可直接输入建模。

• 预定义固定的月份缩写与数字映射关系，避免运行时顺序错乱导致编码不一致
• 先将空值替换为空字符串，按逗号拆分每行得到月份列表，避免空值拆分报错
• 遍历所有月份，逐行判断当前月份是否在该行的月份列表中，出现则标记为1，未出现标记为0，统一转为int类型
• 若空值有特殊业务含义（代表未知月份），可额外新增1列0/1整数列单独标记空值，不要直接留空。

代码实现（pandas环境） #

import pandas as pd
import numpy as np

# 加载原始数据
df = pd.DataFrame({
    'col': [np.nan, 'Jan,Apr,Jul,Oct', 'Jan,Jun,Jul', 'Apr,May,Oct,Nov', np.nan]
})

# 固定月份映射：1-12对应公历1-12月，映射关系全局固定
month_map = {
    'Jan': 1, 'Feb': 2, 'Mar': 3, 'Apr': 4, 'May': 5, 'Jun': 6,
    'Jul': 7, 'Aug': 8, 'Sep': 9, 'Oct': 10, 'Nov': 11, 'Dec': 12
}

# 空值替换为空串后，按逗号拆分得到每行的月份列表
df['month_list'] = df['col'].fillna('').str.split(',')

# 逐个生成月份对应的0/1整数列
for month_abbr, month_num in month_map.items():
    df[f'month_{month_num}'] = df['month_list'].apply(lambda x: 1 if month_abbr in x else 0).astype(int)

# 删除中间处理列，得到最终建模数据集
df = df.drop(columns=['month_list'])

处理后效果示例 #

处理后所有新增列均为整数类型，无缺失值，可直接输入模型：

注意避坑 #

不要直接把月份数字拼接为单个整数（比如把Jan、Apr、Jul、Oct直接拼接为14710），这类数值没有实际业务含义，会给模型引入错误的数值大小、距离关系，严重影响建模效果。

内容的提问来源于stack exchange，提问作者lima0