类别变量类型：
- Nominal： 红，黄，蓝
- Ordinal，高，中，低
连续变量：1.1，2.1，1.3，1.4
类别变量问题的一些挑战
- 类别数量很多，但是每个类别的样本不多，例如“城市”
- 一些机器学习模型，例如回归或者SVM 需要输入是数值型的，类别需要先转化成数值才能应用这些算法
- 对于机器来说，不一定能轻松理解一些人理解的信息，例如 北京，上海，杭州三个城市，人可以知道上海到杭州更近点，但是对于模型来说，仅仅代表三个不同的level，所以需要增加一些额外的信息。
几种处理方法：
- one-hot encoding
[2] 中提到直接用pandas中的get_dummies 函数就可以做处理，方便点；当然，sklearn中也有支持的，具体见文章吧
import pandas as pd
data=pd.DataFrame({
"x":["黄瓜","黄瓜","南瓜","冬瓜"],
"y":["红","蓝","白","黑"]
})
df=pd.get_dummies(data,prefix="蔬菜",columns=["x"])
print(df)
# 输出
y 蔬菜_冬瓜 蔬菜_南瓜 蔬菜_黄瓜
0 红 0 0 1
1 蓝 0 0 1
2 白 0 1 0
3 黑 1 0 0
针对回归模型，对one-hot编码后的特征，需要删除第1列或者最后一列，需要满足自由度为N-1的要求，说白了，是共线性的问题！对于SVM,神经网络和一些聚类算法也是如此操作。
但是在树模型中，我们需要用到N个one-hot编码后的特征
- label encoding
用1...N 表示类别，例如，逾期，正常还款用 1，2 来表示 ； 这个编码会有个问题，实际上类别之间是没有关系的，但机器会认为他们有关系。
df1=data.copy()
df1.loc[:,"x_encode"] =pd.factorize(df1["x"])[0].reshape(-1,1)
print(df1)
# 输出
x y x_encode
0 黄瓜 红 0
1 黄瓜 蓝 0
2 南瓜 白 1
3 冬瓜 黑 2
- binary encoding
需要经历两个步骤：
1.类别变量首先需要转化为数值有序变量，比如1，2，3，4 这种 ，这里的有序仅仅是数字上的有序
2.将上一步的结果转为为二进制，比如 4，转化为 100 ，1 转为为 001
import category_encoders as ce
bencoder=ce.BinaryEncoder(cols=["x","y"])
dfbin=bencoder.fit_transform(data)
print(dfbin)
# 输出
x_0 x_1 x_2 y_0 y_1 y_2
0 0 0 1 0 0 1
1 0 0 1 0 1 0
2 0 1 0 0 1 1
3 0 1 1 1 0 0
其他常见的方法还有WOE，均值，频度等，这里就不介绍，具体可以参见如下的refer
refer:
[1] https://hub.packtpub.com/how-to-handle-categorical-data-for-machine-learning-algorithms/
[2] https://towardsdatascience.com/all-about-categorical-variable-encoding-305f3361fd02
[3] https://www.datacamp.com/community/tutorials/categorical-data