1. 独热编码（One-Hot Encoding）

将分类变量转换为多个二进制列，每个类别对应一列。适用于类别数量较少的情况。

import pandas as pd
from sklearn.preprocessing import OneHotEncoder

# 示例数据
data = pd.DataFrame({'Color': ['Red', 'Blue', 'Green', 'Blue', 'Red']})

# 创建编码器
encoder = OneHotEncoder(sparse=False)

# 应用独热编码
encoded_data = encoder.fit_transform(data[['Color']])

# 转换为DataFrame
encoded_df = pd.DataFrame(encoded_data, 
                         columns=encoder.get_feature_names_out(['Color']))

print(encoded_df)

2. 标签编码（Label Encoding）

将每个类别映射为一个整数。适用于有序分类或树形算法。

from sklearn.preprocessing import LabelEncoder

# 示例数据
data = pd.DataFrame({'Size': ['Small', 'Medium', 'Large', 'Medium', 'Small']})

# 创建编码器
label_encoder = LabelEncoder()

# 应用标签编码
data['Size_encoded'] = label_encoder.fit_transform(data['Size'])

print(data)

3. 词袋模型（Bag of Words）

将文本转换为词频矩阵，每个文档表示为词汇表中的词频向量。

from sklearn.feature_extraction.text import CountVectorizer

# 示例文本数据
corpus = [
    'This is the first document.',
    'This document is the second document.',
    'And this is the third one.',
    'Is this the first document?'
]

# 创建词袋模型转换器
vectorizer = CountVectorizer()

# 应用转换
X = vectorizer.fit_transform(corpus)

# 查看结果
print(vectorizer.get_feature_names_out())
print(X.toarray())

4. TF-IDF（词频-逆文档频率）

衡量词语在文档中的重要程度，通过词频和逆文档频率计算。

from sklearn.feature_extraction.text import TfidfVectorizer

# 使用之前的语料库
tfidf_vectorizer = TfidfVectorizer()

# 应用TF-IDF转换
X_tfidf = tfidf_vectorizer.fit_transform(corpus)

# 查看结果
print(tfidf_vectorizer.get_feature_names_out())
print(X_tfidf.toarray())

5. 哈希技巧（Hashing Trick）

使用哈希函数将特征映射到固定维度的向量空间，适用于高基数特征或在线学习。

from sklearn.feature_extraction.text import HashingVectorizer

# 创建哈希向量器（输出维度为10）
hashing_vectorizer = HashingVectorizer(n_features=10)

# 应用哈希转换
X_hash = hashing_vectorizer.fit_transform(corpus)

print(X_hash.toarray())

6. 目标编码（Target Encoding）

使用目标变量的统计信息（如均值）对分类特征进行编码，适用于监督学习。

import numpy as np
from category_encoders import TargetEncoder

# 示例数据
data = pd.DataFrame({
    'City': ['NY', 'LA', 'NY', 'Chicago', 'LA', 'Chicago'],
    'Price': [200, 150, 220, 180, 160, 190]
})

# 创建目标编码器
encoder = TargetEncoder()

# 应用目标编码
data['City_encoded'] = encoder.fit_transform(data['City'], data['Price'])

print(data)

7. 嵌入（Embedding）

使用神经网络学习分类变量的低维稠密表示，特别适合深度学习模型。

import tensorflow as tf
from tensorflow.keras.layers import Input, Embedding, Flatten

# 定义输入层
input_layer = Input(shape=(1,), name='City_input')

# 定义嵌入层
embedding = Embedding(input_dim=100,  # 类别数量
                     output_dim=5,   # 嵌入维度
                     input_length=1)(input_layer)

# 展平输出
flatten = Flatten()(embedding)

# 构建模型
model = tf.keras.Model(inputs=input_layer, outputs=flatten)

# 注意：实际使用中需要将类别转换为整数索引

专业提示： 在实际应用中，通常需要尝试多种编码方法并通过交叉验证来评估效果。对于高基数分类特征（如邮政编码、产品ID），目标编码或哈希技巧通常优于独热编码。

掌握字符类型特征处理是成为优秀数据科学家的关键一步。通过本教程介绍的方法，您可以有效转换非数值数据，提升机器学习模型性能！