分类变量特征提取

分类数据的独热编码方法,分类变量特征提取(One-of-K or One-Hot Encoding):

通过二进制数来表示每个解释变量的特征

from sklearn.feature_extraction import DictVectorizeronhot_encoder = DictVectorizer()instances=[{city:New York},{city:San Francisco},{city:Chapel Hill}]print (onhot_encoder.fit_transform(instances).toarray())[[0. 1. 0.][0. 0. 1.][1. 0. 0.]]

文字特征提取-词库模型

文字模型化最常用方法，可以看成是独热编码的一种扩展，它为每个单词设值一个特征值。依据是用类似单词的文章意思也差不多。可以通过有限的编码信息实现有效的文档分类和检索。

CountVectorizer 类会将文档全部转换成小写，然后将文档词块化(tokenize).文档词块化是把句子分割成词块（token）或有意义的字母序列的过程。词块大多是单词，但是他们也可能是一些短语，如标点符号和词缀。

CountVectorizer类通过正则表达式用空格分割句子，然后抽取长度大于等于2的字母序列。

from sklearn.feature_extraction.text import CountVectorizercorpus = [UNC played Duke in basketball,Duke lost the basketball game,