在做特征工程的时候，如何处理类别型特征？

在做特征工程的过程中，数值特征通常会做归一化处理，而类别特征通常以字符串形式进行表示，没有特定的数值，例如性别（男，女）。

除了决策树等大部分模型，如LR，SVM并不支持字符串形式的输入，那么在特征工程中，该如何处理特别特征呢？

主要有三种编码转换。

1 序号编码

含有大小关系的数据，可以使用序号编码，比如学生考试成绩，可以分为高中低三挡，用1表示高，2表示中，3表示低。

2 独热编码

独热编码是类别特征最常用的编码方法，主要处理不具有大小关系的特征，例如性别(男，女)可以表示成男（1，0），女（0，1），独热编码会生成大量的稀疏向量，稀疏向量使得特征变成了更高维度的特征，这样会有几个问题，假如使用KNN算法，高纬度下两点之间的距离很难进行有效的衡量，在LR模型中，参数的数量会随着维度的增高而增加，容易引起过拟合现象。

3 二进制编码

二进制编码主要是先将类别特征进行序号编码，然后用序号编码的二进制作为编码结果，维度少于独热编码，节省了存储空间。