（第二十五节课内容总结）

有序变量表示类别之间存在顺序关系，例如学历（小学、初中、高中），但它们之间不能直接进行数学计算。为了在模型中表示这些有序变量，我们可以使用编号（如1、2、3）来表示它们的顺序，以保留它们之间的关系。

在机器学习中，模型通常需要数字型数据作为输入。因此，非数字型数据需要转换为数字型。常见的转换方法包括：

1. One-Hot 编码：将类别变量转换为二进制向量，例如，A 类别可以表示为 [1, 0, 0]，B 类别表示为 [0, 1, 0]。

2. 序号编码：适用于类别之间有大小关系的情况，如成绩的高低。可以用数字1、2、3来表示“低、中、高”。这种编码保留了类别之间的大小关系。

3. 目标标签编码：通常用于标签类特征，从0开始对类别进行连续编号，如1、2、3、4等。这种方法操作简单，但可能会引入不存在的顺序关系。

4. 二值化编码：将连续型变量根据某个阈值转换为两类。例如，年龄大于30岁为一类，小于等于30岁为另一类。这种方法常用于逻辑回归等模型中，其核心思想是将数据离散化。

在处理数据时，我们通常需要根据数据的特点选择合适的编码方法，以确保模型能够正确理解和处理数据。

1. 数据标准化：

   preprocessing.scale()：将数据的均值调整为0，方差调整为1，适用于大多数机器学习算法。

2. 最大最小值标准化：

   preprocessing.MinMaxScaler()：将数据缩放到指定的最小值和最大值之间，通常是[0, 1]。

3. 数据标准化（Z-score标准化）：

   preprocessing.StandardScaler()：将数据的均值调整为0，标准差调整为1，适用于特征尺度相近的情况。

4. 绝对值最大标准化：

   preprocessing.MaxAbsScaler()：将每个特征除以其绝对值的最大值，使所有值落在[-1, 1]之间。

5. 带离群值数据集标准化：

   preprocessing.RobustScaler()：使用中位数和四分位距进行缩放，对离群点不敏感。

6. 分位数信息变换特征：

   preprocessing.QuantileTransformer()：将原始分布映射到均匀分布，基于分位数而非均值/方差。

7. 幂变换：

   preprocessing.PowerTransformer()：对数据进行幂变换，使数据更接近正态分布。

8. 正则化：

   preprocessing.Normalizer()：将数据的特征缩放到单位范数，每个样本的特征向量长度缩放到1。

9. 分类特征转换为分类数值：

   preprocessing.OrdinalEncoder()：将分类特征转换为有序数值。preprocessing.LabelEncoder()：将分类标签转换为数值型编码，主要用于目标变量。

10. 多标签二值化：

    preprocessing.MultiLabelBinarizer()：将多个类别标签转换为二进制矩阵。

11. 独热编码：

    preprocessing.OneHotEncoder()：将每个类别变量转换为多个二进制特征列。

12. 将连续数据离散化：

    preprocessing.KBinsDiscretizer()：将连续数据转换为离散的bin。

13. 自定义特征处理函数：

    preprocessing.FunctionTransformer()：允许用户定义自己的特征处理函数。

14. 特征二值化：

    preprocessing.Binarizer()：将特征二值化，大于阈值的归为一类，小于等于阈值的归为另一类。

15. 创建多项式特征：

    preprocessing.PolynomialFeatures()：生成多项式特征，捕捉特征间的非线性关系。

16. 弥补缺失值：

    preprocessing.Imputer()：通过指定策略（如均值、中位数、众数或常数）填补缺失值。