Python机器学习手册：从数据预处理到深度学习

有时候，根据某种特性而不是数量来度量对象会更有效。我们常常使用这种定性的信息来判断一个观察值的属性，比如按照性别、颜色或者车的品牌这样的类别对其分类。但并不是所有的分类数据都是这样的。本身没有内在顺序的类别称为nominal，以下类别都属于nominal类别：

● 蓝色、红色、绿色

● 男性、女性

● 香蕉、草莓、苹果

相反，如果一组分类天然拥有内在的顺序性，它就被称为ordinal，例如：

● 低、中、高

● 年轻、年迈

● 同意、中立、反对

此外，分类信息常常用一个字符串型的向量或列（例如，＂Maine＂、＂Texas＂、＂ Delaware＂）表示，但大部分机器学习算法都要求其输入是数值型的数据。

KNN（K-Nearest Neighbor,K近邻）算法就是一个简单的例子。该算法的第一步是计算两个观察值之间的距离，通常使用的是欧氏距离：

其中，x和y是两个观察值，下标i表示这是观察值的第i个特征。如果x i是一个字符串（例如＂Texas＂），那么要计算距离显然是不可能的。

因此，需要将字符串转换成某种数值形式，这样才能使用欧氏距离的计算公式。我们的目标是将分类数据中包含的信息合理地转换成数值（分类的序列数、两个分类之间的间距等）。本章会介绍多种转换方法，来应对在处理分类数据时经常碰到的一些问题。