Vector 如何将包含非数字特征的数据记录表示为向量（数学，而不是c+；+；向量）？

许多数据挖掘算法/策略使用数据记录的向量表示来模拟数据的空间表示（如支持向量机）

我的问题来自如何在数据集中表示非数字特征。我的第一个想法是用1到n（其中n是功能的数量）的数字“别名”功能的每个可能值

在做一些研究时，我遇到了一个建议，即在处理具有少量可能值的功能时，应该使用长度为n的位字符串，其中每个位表示不同的值，并且只翻转与存储的值对应的一位。我可以看到，在理论上，使用这种方法可以节省内存，这些功能的可能值比用于在目标系统上存储整数值的位数要少，但我正在使用的数据集对于各种功能有许多不同的值，因此我认为该解决方案对我没有任何帮助

---

在向量中表示这些值的一些公认方法是什么？每种策略何时是最佳选择？

因此有一个惯例可以这样做。举例说明比解释容易得多

假设您已从web analytics应用程序中收集了四组描述每个网站访问者的指标：

性别/性别

采集通道

论坛参与水平

帐户类型

其中每个变量都是一个分类变量（又称因子），而不是一个连续变量（例如，总会话时间或帐户年龄）

对我来说，这种转换技术似乎比将每个变量保持为单个列更明智。例如，如果你选择后者，那么你必须将三种类型的采集通道与它们的数字表示相协调——也就是说，如果有机搜索是“1”，附属搜索应该是2，直接搜索应该是3，反之亦然

这种表示法的另一个显著优点是，尽管有宽度扩展，但它是数据的紧凑表示法。（在列扩展很大的情况下——例如，一个字段是用户状态，这可能意味着一列变为50，稀疏矩阵表示显然是个好主意。）

对于这类工作，我使用数值计算库NumPy和SciPy

从Python交互式提示符：

>>> # create two data rows, representing two unique visitors to a Web site:

>>> row1 = NP.array([0, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0])

>>> row2 = NP.array([1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0])

>>> row1.dtype
  dtype('int64')
>>> row1.itemsize
  8

>>> # these two data arrays can be converted from int/float to boolean, substantially 
>>> # reducing their size w/ concomitant performance improvement
>>> row1 = NP.array(row1, dtype=bool)
>>> row2 = NP.array(row2, dtype=bool)

>>> row1.dtype
  dtype('bool')
>>> row1.itemsize    # compare with row1.itemsize = 8, above
  1

>>> # element-wise comparison of two data vectors (two users) is straightforward:
>>> row1 == row2  # element-wise comparison
  array([False, False, False, False,  True,  True, False,  True,  True, False], dtype=bool)
>>> NP.sum(row1==row2)
  5

对于基于相似性的计算（例如k-最近邻），有一个特定的度量用于由分类变量组成的扩展数据向量，称为Tanimoto系数。对于我在这里使用的特定表示，函数如下所示：

def tanimoto_bool(A, B) :
    AuB = NP.sum(A==B)
    numer = AuB
    denom = len(A) + len(B) - AuB
    return numer/float(denom)

>>> tanimoto_bool(row1, row2)
  0.25

---

所以这是一个惯例。举例说明比解释容易得多

假设您已从web analytics应用程序中收集了四组描述每个网站访问者的指标：

性别/性别

采集通道

论坛参与水平

帐户类型

其中每个变量都是一个分类变量（又称因子），而不是一个连续变量（例如，总会话时间或帐户年龄）

对我来说，这种转换技术似乎比将每个变量保持为单个列更明智。例如，如果你选择后者，那么你必须将三种类型的采集通道与它们的数字表示相协调——也就是说，如果有机搜索是“1”，附属搜索应该是2，直接搜索应该是3，反之亦然

这种表示法的另一个显著优点是，尽管有宽度扩展，但它是数据的紧凑表示法。（在列扩展很大的情况下——例如，一个字段是用户状态，这可能意味着一列变为50，稀疏矩阵表示显然是个好主意。）

对于这类工作，我使用数值计算库NumPy和SciPy

从Python交互式提示符：

>>> # create two data rows, representing two unique visitors to a Web site:

>>> row1 = NP.array([0, 1, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0])

>>> row2 = NP.array([1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0])

>>> row1.dtype
  dtype('int64')
>>> row1.itemsize
  8

>>> # these two data arrays can be converted from int/float to boolean, substantially 
>>> # reducing their size w/ concomitant performance improvement
>>> row1 = NP.array(row1, dtype=bool)
>>> row2 = NP.array(row2, dtype=bool)

>>> row1.dtype
  dtype('bool')
>>> row1.itemsize    # compare with row1.itemsize = 8, above
  1

>>> # element-wise comparison of two data vectors (two users) is straightforward:
>>> row1 == row2  # element-wise comparison
  array([False, False, False, False,  True,  True, False,  True,  True, False], dtype=bool)
>>> NP.sum(row1==row2)
  5

对于基于相似性的计算（例如k-最近邻），有一个特定的度量用于由分类变量组成的扩展数据向量，称为Tanimoto系数。对于我在这里使用的特定表示，函数如下所示：

def tanimoto_bool(A, B) :
    AuB = NP.sum(A==B)
    numer = AuB
    denom = len(A) + len(B) - AuB
    return numer/float(denom)

>>> tanimoto_bool(row1, row2)
  0.25

据我所知，没有“被广泛接受的答案”，这完全取决于你想要什么

文章背后的主要思想是，状态的琐碎内存表示可能过于内存密集。例如，要存储最多可以有四种状态的值，您将使用

int

（32位），但您可以仅使用2位来管理，因此可以减少16倍

然而，向量的表示越巧妙（即：紧凑），从平凡的表示编码/解码它所需的时间就越长

我做了一个项目，我用2个双精度（64位）来表示一个板的状态，每个双精度编码每个播放器拥有的光盘。与将状态存储为42个整数相比，这是一个巨大的改进！我可以用更小的内存来探索更远的地方。这通常是您想要的

通过对Connect-4的巧妙理解，只需一个double就可以对其进行编码！我试过了，程序变得很长，我恢复使用两个双打而不是一个。该程序的大部分时间用于编码/解码功能。这通常是您不想要的

现在，因为您需要答案，这里有一些指导原则：

• 如果只能存储一个字节的布尔值，则将其保留为布尔值（取决于语言/编译器）

• 将所有小功能（3到256个可能的值）串联在基本类型中，如

  int

  、

  double、

  long double

  或您的语言使用的任何类型。然后写函数t