将名称重新编码为新列中的数字，但R不会识别为数字
将名称重新编码为新列中的数字是一种数据处理操作，常用于数据分析和机器学习任务中。这种操作可以将原始的名称或类别数据转换为数字形式，以便计算机能够更好地理解和处理。
编码名称为数字有多种方法，常见的包括标签编码和独热编码。
- 标签编码（Label Encoding）：将每个不同的名称映射为一个唯一的数字标签。例如，如果有一个列包含三个不同的名称：A、B、C，那么可以将它们分别编码为0、1、2。标签编码适用于有序的类别数据，其中不同的值之间存在一定的顺序关系。
- 独热编码（One-Hot Encoding）：将每个不同的名称转换为一个二进制向量，只有对应的位置为1，其余位置为0。例如，对于三个不同的名称：A、B、C，可以将它们编码为1, 0, 0、0, 1, 0、0, 0, 1。独热编码适用于无序的类别数据，其中不同的值之间没有明显的顺序关系。
这种重新编码的目的是为了在后续的数据分析或机器学习任务中能够更好地处理这些数据。例如，在一些机器学习算法中，需要将输入数据转换为数值形式才能进行计算和建模。
在腾讯云的产品中，可以使用腾讯云的数据处理服务来进行名称重新编码的操作。例如，可以使用腾讯云的数据处理服务TencentDB来对数据库中的数据进行编码转换。具体的操作可以参考腾讯云TencentDB的文档：TencentDB 数据处理。
另外，腾讯云还提供了其他与数据处理相关的产品和服务，例如腾讯云数据湖分析（Data Lake Analytics）、腾讯云数据仓库（Data Warehouse）等，可以帮助用户更好地处理和分析数据。
总结：将名称重新编码为新列中的数字是一种数据处理操作，常用的编码方法包括标签编码和独热编码。腾讯云提供了多种数据处理服务和产品，可以帮助用户进行数据编码转换和数据分析任务。
相关·内容
我是一个学习机器学习的初学者。 我尝试做一些模型(FNN)，这个模型有太多的输出标签，不能使用one-hot编码。 你能帮我一下吗？ 我想解决这个问题:标记数据是针对水果的： 类型(苹果，葡萄，桃子)，质量(好，正常，差)，价格(昂贵，正常，便宜)，大小(大，正常，小) 因此，如果我进行单热编码，数据大小最大为3*3*3*3，81 我认为标签数据看起来像4个单热编码序列数据。 有没有办法让标签数据在小维，而不是81维一热编码？ 我认为二进制编码也可以使用，但认识到在神经网络中使用二进制编码存在一些缺点。 谢谢:D
浏览 22提问于2019-12-13得票数 0
回答已采纳
1回答
带范畴变量的线性回归
、、、、
我目前正在学习和探索机器学习，并了解基于两个数值变量的线性回归的基础知识，但现在我希望更进一步，并需要一些指导，了解如何去做。
具体来说，我现在正在学习关于线性回归的范畴变量，我理解它的要点:我们只是将范畴变量编码成某种数值表示形式(比如一种热编码)，并将其放入模型中。太棒了。
虽然网上有很多关于如何做各种编码方法的指南，但我还没有找到一个资源来解释这种方法的用例:在何种情况下使用分类数据来预测一个数值是有用的？
在进行编码之前，我应该使用哪种类型的数据格式？(是否有两个列具有一个数值结果，而另一个列具有相应的类别？)
我也想知道不同的方法，我们可以可视化和分析我们的模型的结果(和它的预测)，
浏览 0提问于2021-04-10得票数 1
2回答
从我在网上读到的内容来看，对于分类法和使用的术语似乎有些混淆，所以为了避免误解，我将在这里定义它们：
标签编码-用任意数字标签对标称变量进行编码。
序数编码-对序数变量进行编码，并按特定顺序排列数字标签。
我目前正在选修的机器学习课程比较了单热编码和顺序编码.然而，在我的在线研究中，我意识到“普通编码”实际上是个用词不当，而这门课程实际上演示的是“标签编码”。序数编码应该严格地属于序数变量，而所讨论的数据集甚至没有任何序数变量。
那个用词不当的人是从哪里来的？原来，它来自带有LabelEncoder和OrdinalEncoder类的scikit-learn库。问题是，默认情况下，Ordinal
浏览 0提问于2020-07-17得票数 6
回答已采纳
2回答
我正在学习神经网络的不同输入向量表示。
稀疏单热编码矢量的替代方案之一是多热编码.
我是否正确地理解了传统的二进制数计算方法正是多重热的含义？我们可以把一个字节想象成一个由8个组件组成的向量，每个条目要么是0，要么是1.0
问题的第二部分：
我想使用多热编码来表示多达255个可能的输入值.如果我使用二进制方法，这会与标签编码相同吗？从某种意义上说，网络会发现00000010比00000001更“优越”，有“强相关性和优先级”吗？
还是说不那么夸张了？例如，在标签编码中，我只需要使用一个输入神经元，只要有0到255的不同强度，就像枚举一样。这样的效果会被夸大，因为它显示了值A相对于值A-1的明显
浏览 0提问于2018-08-21得票数 7
回答已采纳
4回答
腾讯云文档中没有关于TBDS数据接入组件的说明，TBDS都支持哪些数据来源？是否支持工业物联网设备实时数据采集？是否支持如达梦、翰高等国产数据库？另外机器学习平台DI-X也没有相关文档支持。
[附加信息]
浏览 680提问于2018-04-08
1回答
我正在处理一个ML预测模型，我有一个带有分类变量(比如产品id)的数据集，我有2k个不同的产品。
如果我用虚拟变量(比如一个热enconder )来转换这个变量，那么数据集的大小可能是示例数(数百万个例子)的2k倍，但是它的数量太多，无法处理。
为什么这是以前的treated?Should，我只使用变量，用白化的转换？
谢谢。
浏览 0提问于2020-06-28得票数 0
回答已采纳
1回答
我有一个带有非序数分类特征的数据集。在训练机器学习模型(线性SVC)之前，转换它们(编码+缩放)的最佳方法是什么？
我试过的事情：
标签编码-这是有效的。但是缩放没有意义，因为特性中的不同类别没有任何特定的顺序。
One--热编码--特性中有上千种独特的类别，这使得ML模型通过创建数千列而变得复杂。
计数编码--我的列车测试拆分--在训练集中并没有所有唯一的特性类别，当我对这些特性进行计数时，它会引入NaN在测试集中的特性。
感谢你的帮助！
浏览 0提问于2020-11-26得票数 0
2回答
编码“直方图箱”
、、、、
我目前正在处理一个回归问题，其中我有一个变量(x)的数据，以“直方图箱”的形式。例如，我可以有900-999,1500-1599等值范围，但是数据没有告诉你具体的值。
我的问题是:在这种情况下，我是否应该把这个变量当作实值(可能取每个垃圾桶的中位数)？或者我应该把它作为分类数据来处理，每个100宽的bin代表一个单独的类别？如果我认为它是绝对的，什么是最好的编码(标签，1-热等)？
我的困惑来自这样一个事实，即尽管所提供的数据是绝对的，但它在道德上是一个实际价值的变量。我还知道，我的目标变量y应该与x呈正相关。所以，如果我只是进行任意编码，它能捕捉到这种相关性吗？
浏览 0提问于2021-09-04得票数 1
1回答
我遇到了一个问题，那里有20节课。我设计了一个神经网络，并使用损失作为categorical_crossentropy。
在处理范畴交叉熵时，输出标签必须是一个热编码。
因此，当我对输出标签进行一个热编码时，每一行的标签都是在矩阵中编码的，而在标签编码器中，我在数组中得到了相同的编码。
oht = OneHotEncoder()
y_train_oht = oht.fit_transform(np.array(y_train).reshape(-1,1))
下面是标签编码的片段
le = LabelEncoder()
y_train_le = le.fit_transform(y_train)
浏览 4提问于2022-08-07得票数 -1
2回答
如何处理大量的分类数据
、、、
我是机器学习的初学者。我有一个很大的数据集，有很多分类数据。数据是名义的。我想应用像SVM和决策树这样的算法，并使用Python和scikit--学习如何在数据中找到模式。
我的问题是，我不知道如何最好地处理这类数据。我读了很多关于一种热编码的书。这些例子都很简单，比如有三种不同的颜色。在我的数据中，大约有30个不同的分类特征。在这些功能中，大约有200个不同的“值”。如果我使用简单的单热编码，数据帧就会变得非常大，而且由于内存不足，我很难在数据上使用任何算法。
那么这里最好的方法是什么呢？对编码表使用sql数据库吗？在“真实”的世界里是如何做到这一点的？
提前感谢您的回答！
浏览 0提问于2018-11-04得票数 0
我正在尝试从我们公司的dwh-server获取数据，并对这些数据使用一些机器学习算法。
(Un)-fortunately我想要聚合的数据位于不同的表中。例如，我有人口统计客户信息，购买行为和收到的广告。
此外，广告分为两类，以及顾客可以购买的产品。我需要为广告上的每个客户构建一个映射到购买(取决于广告交付后的时间)。因此，我知道广告是否成功。
此外，为了构建机器学习算法，我需要在发送新广告之前分配购买和接收的广告，并以聚合形式汇总这些数据。无论是收到的广告还是购买的商品，都会受到季节性的影响。
因此，汇总数据(如净利润、购买数量等)可能是明智的。关于季节、前几个季节、前几个季节之前的季节等等。
浏览 0提问于2016-05-31得票数 0
25回答
开发工具千千万，哪个最高效最好用？
在关键时刻解决了你的卡点和痛点，欢迎你和我们一起分享你使用过的腾讯云宝藏工具！
点赞最高的前5名将获得猫王小王子花梨原木便携蓝牙音箱1个（截止时间：11月12日24:00）
另外在11月9日晚20:00-21:00
【开箱吧腾讯云】将迎来3位开发大神分享自身工具箱
快来腾讯云开发者视频号预约吧！更有超多双十一产品优惠等你！
图片
浏览 1822提问于2022-11-02
1回答
范畴变量数组与一次热编码
、、、
我有一些JSON数据要转换成机器学习友好的格式。数据中的每个对象(最终将成为dataset中的实例)都具有完全相同的字段(在本例中为foo、bar和array)。array字段包含可变数量的子对象(从0到10)。每个子对象都有一个范围很大的范畴字段，还有一些可以安全忽略的字段。这些子对象中的所有分类字段都属于相同的范围。
示例(大规模简化对象)：
{
"foo": 1
"bar": 0.5
"array" : [
{
"categorical": "Lorem"
"o
浏览 0提问于2017-05-23得票数 5
我已经从多个资源中学习了有关决策树的知识，但仍然没有完全理解数据预处理步骤。
在https://www.youtube.com/watch?v=PHxYNGo8NcI&t=535s&ab_channel=codebasics中，它使用带有标签编码器的决策树，在另一个资源中，它说我们不需要将类别转换为字符串，我很困惑。
如果我有看上去像
gender level score
male 1 34
female 2 77
female 1
浏览 0提问于2020-11-25得票数 1
回答已采纳
1回答
我想检测形状，即圆，方形，矩形，三角形等，使用机器学习技术。
以下是形状检测的规范，
采用卷积神经网络( CNN )。
对于培训，Dataset包含10个形状的每个类别中的1000幅图像。
为了进行测试，Dataset包含10个形状的每个类别中的100个图像。
所有图像都是28x28调整大小与一个通道(灰色通道)。
数据集中的所有图像都是边缘检测图像。
问题
机器学习算法能区分正方形和矩形.，正方形和菱形.？
如何改进用于形状检测的数据集？谢谢.！！
浏览 2提问于2017-06-20得票数 7
在我的dataset中，有一个列有较大的no类别。对于模型培训或构建，我们需要将这些类别转换为数字。我们可以使用几种方法将标签转换为数字编码、单热编码和标签编码器，但在这里，我的问题是类别不是序号(不需要保留顺序)。我们可以使用一个热编码，但它创造了大量的维度。在这种情况下，要有效地将类别转换为数字，需要选择哪种方法？它不应该影响模型的尺寸。
请对这件案子提出建议。提前谢谢。
浏览 0提问于2021-07-14得票数 1
3回答
当一些自变量是分类的而另一些自变量是连续的时，机器学习算法和预处理的选择如何变化？这样的数据能直接应用到使用一次热编码转换分类数据的算法中吗？
例如，有2列是:年龄和种族，年龄是连续的，种族是绝对的。
更新:不知道连续变量的理想桶。
浏览 0提问于2019-02-22得票数 4
2回答
这是我的问题，我希望有人能帮我弄清楚。
为了解释，在我的数据集中有10多个分类列，每个分类列都有200-300个类别。我想把它们转换成二进制值。为此，我使用第一个标签编码器将字符串类别转换为数字。标签编码器代码和输出如下所示。
在标签编码器之后，我使用了一个来自scikit的热编码器-重新学习，它是工作的。但问题是，我需要列名后一个热编码器。，例如，列A与分类值，然后编码。A= 1,2,3,4，.
应该是编码后的样子，
A-1，A-2，A-3
任何人都知道如何在一次热编码之后将列名分配给(旧的列名、-value名称或数字)。这是我的一个热编码，它的输出；
我需要有名字的列，
浏览 4提问于2017-07-13得票数 6
1回答
我们使用一个带有名义变量的热编码，这样我们就不会强加任何顺序关系。如果我们有一个范畴变量，有三个类别:红色，蓝色，绿色。这个变量的热编码将是: Blue -> 一千零零，Green -> 0,1,0和Red -> 0 0 0 1。现在，如果我们把这些二进制数转换回十进制数，我们将有:蓝色-> 4，绿色->2和红色-> 1，它有自然的排序关系，那么一个热编码怎么不引入自然排序关系呢？
浏览 0提问于2022-09-27得票数 -1
回答已采纳
一个简单的机器学习，像MNIST，它使用一个热向量作为标签.每个样本只有一个热向量，将其分类为一个类别。我的问题是，是否有可能像这样，每个样本都有一个矩阵作为标签，在这个矩阵中，每一行都是一个热向量。因此，一个MxN矩阵标号意味着，它将尝试用M方法对样本进行分类，其中每种方法都有N个类。这个是可能的吗？
浏览 2提问于2016-10-07得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
