趋近智
机器学习应用中级Python编程
章节 1: 进阶Python结构用于数据科学
Python 基础知识回顾
列表推导式和生成器表达式
使用迭代器和生成器
高级函数参数
代码重用性中的装饰器
用于资源管理的上下文管理器
机器学习中的面向对象编程原则
错误处理与异常管理
实践：应用高级Python技术
章节 2: NumPy 数值计算
NumPy 数组简介
数组创建方法
NumPy 数组的索引与切片
数组计算与通用函数
广播规则及应用
NumPy 中的线性代数运算
NumPy中的统计函数
读取和写入数组数据到文件
动手实践：NumPy 数组操作
章节 3: Pandas 数据操作
Pandas数据结构简介
从多种来源加载数据
数据索引与选择
处理缺失数据
数据清洗与数据转换技巧
分组和聚合操作
合并、连接和拼接数据帧
Pandas中的时间序列数据处理
实践：使用 Pandas 整理数据
章节 4: 使用 Matplotlib 和 Seaborn 进行数据可视化
Matplotlib 绘图基本原理
创建常用图表类型
图表自定义
使用子图
用于统计数据可视化的 Seaborn 简介
使用 Seaborn 创建高级图表
分布与关系的可视化
保存绘图用于报告和演示文稿
动手实践：数据可视化查看
章节 5: 为机器学习准备数据
机器学习工作流程概览
特征工程原理
处理分类数据
特征缩放和标准化方法
将数据划分为训练集和测试集
Scikit-learn 管道介绍
保持数据变换的一致性
实践：构建数据准备管道
章节 6: 为机器学习编写高效且可维护的 Python 代码
代码风格与可读性
机器学习项目结构化
编写高效的函数和模块
虚拟环境简介
Python 代码性能分析
优化 NumPy 和 Pandas 的方法
机器学习单元测试介绍
Git 版本控制基础
实践：重构与优化机器学习代码片段
处理分类数据
这部分内容有帮助吗？
- Preprocessing data, scikit-learn developers, 2023 - Scikit-learn中数据转换的基本指南，涵盖了OrdinalEncoder、OneHotEncoder以及在管道中使用ColumnTransformer进行分类特征处理。
- Working with categorical data, pandas development team, 2023 - 详细解释了如何在Pandas中处理分类数据类型，包括使用get_dummies进行映射和独热编码的方法。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 第三版实践指南，涵盖数据预处理，包括使用Python的Scikit-learn和Pandas库进行分类特征编码技术。
- Categorical Feature Encoding for Tabular Data: A Survey, Meng Zhang, Yanan Song, Wenjun Mao, Guohua Cao, and Shijie Hao, 2023 IEEE Transactions on Knowledge and Data Engineering, Vol. 35 (IEEE) DOI: 10.1109/TKDE.2022.3204918 - 对各种分类特征编码方法进行了全面回顾，讨论了它们的优缺点以及在不同机器学习场景中的适用性。