使用sklearn訓練模型，只能輸入數值型變量。因此需要對數據集中的非數值型離散變量進行處理，非數值型離散變量分為兩類：有序型與無序型

一、有序型離散變量處理

什麽叫有序型離散變量呢，比如說衣服尺碼，M、L、XL；學歷：小學、初中、高中、本科；這些都屬於有序型變量。

在上圖數據表格中，size及classlabel則為有序型變量，自定義有序型字典表，進行相關映射即可：

二、無序型離散變量處理

衣服的顏色，風向、人員類別這些都屬於無序型變量，如果轉換成有序型數值代入模型會對建模結果造成影響，因此對於無序型變量需要做獨熱編碼或者啞變量處理

（1）獨熱編碼

獨熱編碼，又稱為一位有效編碼，主要是采用N位狀態寄存器來對N個狀態進行編碼，每個狀態都由他獨立的寄存器位，並且在任意時候只有一位有效。 獨熱編碼是分類變量作為二進制向量的表示，這首先要求將分類值映射到整數值，然後再將每個整數值表示為二進制向量。

具體操作如下：首先將無序型變量color利用LabelEncoder()方法映射為數值

再將整數型數值進行獨熱編碼

（2）啞變量處理

　　在模型中引入多個虛擬變量時，虛擬變量的個數應按下列原則確定： 如果有m種互斥的屬性類型，在模型中引入（m-1）個虛擬變量。 例如，性別有2個互斥的屬性，引用2-1=1個虛擬變量；再如，文化程度分小學、初中、高中、大學、研究生5類，引用4個虛擬變量。
　　pandas中的get_dummies方法來創建啞特征，get_dummies默認會對DataFrame中所有字符串類型的列進行獨熱編碼：

在實際特征工程處理過程中，使用LabelEncoder()+OneHotEncoder()方式，sklearn能夠將訓練集屬性記錄，並可以采用transform()方法直接作用於待加入模型的測試集。

特征工程之離散變量處理