在机器学习项目中，特征转换是提升模型性能的关键步骤之一。有时，它是获得更好评分的唯一途径，因此如何表示和输入数据至模型变得至关重要。本文将探讨常见的数据类型，并分析不同的数据转换方法。将使用一个名为“GlobalLandTemperatures_GlobalLandTemperaturesByMajorCity.csv”的数据集，该数据集记录了1750年至2015年间全球气候变化的数据。
该数据集包含了多种常见的特征类型，如日期、位置、数值和分类列。本文将暂缓讨论特征选择和特征工程的其他方面，专注于编码此类数据的可能方式。本文旨在提供一个模板，供处理类似情况下的特征转换时使用。
首先，让快速查看整个数据集的统计信息：数据集中没有重复的行。这里只有两个数值特征是float64类型，其余都是对象类型（其中一些需要转换为确切的类型）。可以看到，只有这两个数值特征“AverageTemperature”和“AverageTemperatureUncertainty”各有11002个空值。这些温度值的一般统计数据如下：
首先，来处理缺失值。在数据有空字段、随机字符甚至错误信息的情况下，这是一个非常常见的问题。这里假设有一个或多或少已经清理过的数据集，其中有一些空值。如果对数据集有所了解，并且知道这些缺失值的来源，那么处理它们将更容易。
另一方面，在很多情况下，并不确定，必须选择一种方法来修复缺失值。为什么要关注这个问题？简单的答案是，并非所有的机器学习算法都能处理缺失值。另一个观点是，通过适当的插补/删除，同样可以获得更好的结果。以下是一些将缺失值转换为更具信息性的想法：
一种方法是用中位数、均值或众数（最频繁的值）来插补这些缺失值。要在这三个之间选择，只需查看箱线图和分布。如果数据分布对称，那么用均值替换缺失数据可能是一个好主意。如果数据是偏斜的或包含异常值，尝试看看众数或中位数插补选项。
还有一个常见的选项是用0或任何与给定特征中已存在的值差异更大的常数值来替换缺失值。用0填充空值并不总是合适的，因为可能已经有一些零值（如本例中的温度），这将意味着错误的信息。
如果有一个大型数据集，并且只有少量的行包含空值，那么完全删除这些行可能是可以的。否则，还有一个选项是预测缺失值，这时应该问问自己是否值得尝试（在时间和效率方面）。在示例中，选择中位数选项。
在示例数据集中，“AverageTemperature”是一个连续特征，因为它的值可以假设实数集中的任何值。一个选项是使其更加离散——为几个温度范围创建类别。
一个简单的方法是将浮点数转换为整数，或者按某些小数四舍五入。另一种将特征值分类的方法是应用K-means等量化方法。一种是将值分成k个聚类，每个值属于最近均值的聚类，另一种是将连续数据分箱到k个区间。
这些方法有助于改变初始值的分布，这可能在解决异常值问题时很有用。k聚类/箱数有时可能难以选择，在这种情况下，可以使用轮廓系数或肘部方法来找到最优的k值。另一种数值特征转换方法是缩放。当特征在不同的尺度上时，最好将它们都转换到一个尺度上。
在这种情况下，模型的单位系数将是相同的，因此它们都对分析做出了相等的贡献。缩放还可以加快收敛并显示出更好的性能。另一种改变特征的有意义的技术是对数转换。它用于将偏斜的数据转换为更接近正态分布。
对数转换前：
对数转换后：
如果注意到缩放结果不满意，请再次检查数据的分布，以找到更好的特征缩放方法。一旦通过均值或类似技术减少了特征中唯一值的数量，可能想要继续进一步编码，例如，创建虚拟变量：
独热编码有助于使类别对模型平等，通过为每个类别创建一个二进制特征（这样模型就不会比类别编号1赋予类别编号100更多的权重）。或者简单地将特征二值化或只制作两个标签，尽管这会减少很多信息，在某些情况下，这可能是有帮助的。
日期时间是常见的特征类型，可以以不同的方式转换，所以让首先看看它的“日期”部分。
日期
将数据转换为有意义的最有效方式可能是将其划分为年、季节、月、周和日。此外，一天可以被定义为一年中的一天、一周中的一天或一个月中的一天。在这里，应该意识到每个国家/半球的周末/假期/季节可能会有所不同，因此将一条规则应用于所有国家可能不是一个好主意。
时间