此数据集是否需要一种热编码？答案

【问题标题】：Is one hot encoding required for this data set?此数据集是否需要一种热编码？
【发布时间】：2020-10-26 06:02:57
【问题描述】：

以下是来自 UCI 数据存储库的数据集。我想建立一个回归模型，将血小板计数作为因变量（y），其余作为特征/输入。

但是，数据集中以数字形式存在的分类变量很少，例如贫血、性别、吸烟和 DEATH_EVENT。

我的问题是：

是否应该在构建回归模型之前对这些变量执行“单热编码”？
另外，我观察到这些值在不同的范围内，所以我是否应该在应用回归模型之前对数据集进行缩放？

【问题讨论】：

从您的数据样本看来，贫血、性和吸烟的值只有 0 和 1。如果是这种情况，您不必执行 one-hot 编码。

标签： python pandas machine-learning regression one-hot-encoding

【解决方案1】：

1.在构建回归模型之前，我应该对这些变量执行“单热编码”吗？

是的，您应该对分类变量进行一次性编码。你可以像下面这样使用：

columns_to_category = ['sex', 'smoking','DEATH_EVENT']
df[columns_to_category] = df[columns_to_category].astype('category') # change datetypes to category
df = pd.get_dummies(df, columns=columns_to_category) # One hot encoding the categories

2.如果是这样，只有一个热编码就足够了，或者我应该执行什至标签编码？

我猜一个热编码应该就足够了。

3.另外，我观察到值在不同的范围内，所以我是否应该在应用回归模型之前缩放数据集？

是的，您可以使用StandardScaler() 或MinMaxScaler() 来获得更好的结果，然后反向缩放预测。此外，请确保您单独扩展测试和训练而不是合并，因为在现实生活中您的测试不会实现，因此您需要相应地扩展以避免此类错误。

【讨论】：

【解决方案2】：

您不必使用 one-hot 编码，因为这些列已经有数值。尽管如果这些数值实际上是字符串而不是 int 或 float，那么您应该对它们使用 one-hot 编码。关于缩放数据，变化是相当大的，因此您应该对其进行缩放以避免您的回归模型偏向于高值。

【讨论】：

在我看来，即使这些列是数字的，这里也需要 one-hot 编码，因为数值不代表任何信息（1 和 0 只是一个类变体，没有任何意义）。因此，如果该值没有多大意义，那么预测器将不会真正使用它。
它们实际上代表了一个人是否患有贫血，或者一个人是否患有糖尿病，一个人是否吸烟等等。这些列已经编码。 get_dummies 函数的作用是将二进制 0,1 值分配给分类字符串数据。它将分类字符串值编码为二进制值。当值已经二进制编码时，使用 one-hot 编码是没有用的。正如我所提到的，如果这些数值实际上是字符串，则应该对其进行编码。虽然仍然这样做，不会有任何坏处，只是那里不需要。

【解决方案3】：

如果这些是真正的二进制类别，您不必进行一次热编码。它们已经编码。

【讨论】：