如何处理字符串特征分类？

Question

我正在研究一个广告点击推荐系统，在该系统中，我必须预测用户是否会点击广告。我总共具有98个功能，同时具有USER功能和ADVERTISEMENT功能。对于预测而言非常重要的某些功能具有这样的字符串值。

**FEATURE**
Inakdtive Kunmden
Stammkfunden
Stammkdunden
Stammkfunden
guteg Quartialskunden
gutes Quartialskunden
guteg Quartialskunden
gutes Quartialskunden

整个数据列中有14种不同的字符串值。我的模型无法将字符串值作为输入，因此我必须将它们转换为分类int值。我不知道如何执行此操作并使这些功能有用。我正在使用K-MEANS聚类和随机森林算法。

Answer 1

在将字符串值列表转换为分类整数时要小心，因为模型可能会将整数解释为数值有效的整数，但可能并非如此。

例如，如果：

'Dog'=1,'Cat'=2,'Horse'=3,'Mouse'=4,'Human'=5

然后，聚类算法中的距离量度将认为人类更像老鼠，而不是狗。将它们转换为14个二进制值通常更有用，例如

转这个：

'Dog'
'Cat'
'Human'
'Mouse'
'Dog'

变成这个：

'Dog'  'Cat'  'Mouse'  'Human'
  1      0       0        0
  0      1       0        0
  0      0       0        1
  0      0       1        0
  1      0       0        0

不是这个：

'Species'
    1
    2
    5
    4
    1

但是，如果数据将成为您要分类的“目标”而不是数据“特征”，则可以在SciKit-Learn的大多数多分类算法中将它们保留为整数。