如何组合使用OneHotEncoder与LabelEncoder对不同类型特征编码

数据集特征分类 #

• 二分类文本数据：示例值为'yes'、'no'，使用LabelEncoder编码
• 多分类名义数据：包含feature_1（取值：父亲/母亲/其他）、feature_2（取值：家庭/学校声誉/课程偏好/其他）两个特征，唯一需要使用OneHotEncoder编码的特征类
• 二值数值数据：取值为0、1，使用LabelEncoder编码
• 多值数值数据：示例取值为1、2、3、4、5，使用LabelEncoder编码

调整后代码 #

首先提前导入依赖库：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

代码实现：

# 自定义需要做OneHot编码的名义类特征列名，可根据实际数据集列名增删
nominal_features = ['feature_1', 'feature_2']

def encoder(df):
    le = LabelEncoder()
    for c in df.columns:
        # 跳过需要单独做OneHot编码的名义特征
        if c in nominal_features:
            continue
        # 对文本类型特征做Label编码
        if df.dtypes[c] == object:
            df[c] = le.fit_transform(df[c].astype(str))
    # 对指定名义特征做OneHot编码，输出为整数格式
    df = pd.get_dummies(df, columns=nominal_features, dtype=int)
    return df

# 调用函数处理数据集
stud = encoder(stud)
stud.head()

注：这里直接用pandas内置的get_dummies实现OneHot编码，不需要额外做特征拼接操作，生成的新列会自动以「原特征名_取值」的格式命名，可读性更高。如果需要和sklearn管线兼容，也可以替换为OneHotEncoder实现。

内容的提问来源于stack exchange，提问作者Lorenzo Bussotti