import numpy as np
import pandas as pd

from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder

构建 DataFrame

首先我们创造一个 DataFrame

animal = ['cat', 'dog', 'fish', 'cat']
colors = ['white', 'yellow', 'red', 'yellow']
data = pd.DataFrame({'animal': animal, 'color': colors})
data

	animal	color
0	cat	white
1	dog	yellow
2	fish	red
3	cat	yellow

LabelEncoder

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html

数字化以后的数据才有用，直接用字符串是不能使用 sklearn 里面的各种分类器的。

数字化后的数据会失去之前的标签，只留下一个数字。相同的类的数字相等。

for feature in data:
    le = LabelEncoder()
    data[feature] = le.fit_transform(data[feature])
    print feature, le.classes_
data

animal ['cat' 'dog' 'fish']
color ['red' 'white' 'yellow']

	animal	color
0	0	1
1	1	2
2	2	0
3	0	2

OneHot 编码

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html

OneHot 编码常用于分类问题，因为字符串无法直接输出，这涉及到自然语言处理的问题。

而进行 OneHot 编码之后的数据就非常适合神经网络来分类了。

进行 OneHot 编码以后的数据，同一个类的向量方向相同，不同的类的向量相互正交。此外每个向量都是单位向量。

ohe = OneHotEncoder()
ohed = ohe.fit_transform(pd.DataFrame(data['animal'])).todense()
ohed

matrix([[ 1.,  0.,  0.],
        [ 0.,  1.,  0.],
        [ 0.,  0.,  1.],
        [ 1.,  0.,  0.]])