如您所见，我们添加了三个新功能，每个功能都包含编码的分类特征。从前五个实例中，我们可以看到物种类别Adelie用值0编码，岛屿类别Torgenesn用值2编码，性别类别FECE和雄性分别用值0和1编码。

这是最流行的分类编码技术之一。它将要素中的值分散到多个标志要素，并为其赋值 0 或 1。此二进制值表示非编码要素和编码要素之间的关系。

例如，在我们的数据集中，我们在"性别"特征中有两个可能的值：女性和男性。此技术将创建两个单独的功能，分别标记为"sex_female"和"sex_male"。如果在"性别"特征中，我们对某些样本的值为"FEMALE"，则将为"sex_FEMALE"分配值 1，并为"sex_male"分配值 0。同样，如果在"性别"特征中，我们对某些样本的值为"MALE"，则将为"sex_male"分配值1，并为"sex_female"分配值0。让我们将此技术应用于我们的分类数据，看看我们得到了什么：

encoded_spicies = pd.get_dummies(categorical_data['species']) encoded_island = pd.get_dummies(categorical_data['island']) encoded_sex = pd.get_dummies(categorical_data['sex']) categorical_data = categorical_data.join(encoded_spicies) categorical_data = categorical_data.join(encoded_island) categorical_data = categorical_data.join(encoded_sex)

正如你一样，我们在那里给出了一些新的专栏。从本质上讲，每个功能中的每个类别都有一个单独的列。通常，只有一个热编码值被用作机器学习算法的输入。

计数编码是将每个分类值转换为其频率，即。它在数据集中出现的次数。例如，如果"物种"特征包含 6 次类 Adelie 的出现，我们将用数字 6 替换每个 Adelie 值。以下是我们在代码中执行此操作的方法：

categorical_data = data.drop(['culmen_length_mm', 'culmen_depth_mm', \ 'flipper_length_mm', 'body_mass_g'], axis=1) species_count = categorical_data['species'].value_counts() island_count = categorical_data['island'].value_counts() sex_count = categorical_data['sex'].value_counts() categorical_data['species_count_enc'] = categorical_data['species'].map(species_count) categorical_data['island_count_enc'] = categorical_data['island'].map(island_count) categorical_data['sex_count_enc'] = categorical_data['sex'].map(sex_count) categorical_data

请注意每个类别值如何替换为出现次数。

与以前的技术不同，这个技术有点复杂。它将分类值替换为该要素值的输出（即目标）的平均值。从本质上讲，您需要做的就是计算具有特定类别值的所有行的平均输出。现在，当输出值为数字时，这是非常直接的。如果输出是分类的，就像我们的PalmerPenguins数据集一样，我们需要应用一些以前的技术。