假设我有一个包含 800 行的数据集（20 个用户每人 40 个条目）。条目是用户会话日志（列是 - 特定会话的浏览器、操作系统、时间、日期等）。
现在每个用户都有唯一的 id (1-20)。假设 user_id=1 是特殊的，每当有新数据出现时我都需要检测它。
因此，对于新数据，我需要预测该会话是否为 user_id=1。
我的问题是如何做到这一点？
我认为的一种方法是为 20 个用户中的每一个用户制作一个特征表示，并且每当有新数据出现时，获取数据与每个特征的距离并查看最小距离。
但问题是当我为每个用户制作独特的特征表示时，如何处理浏览器、操作系统等列 - 因为用户可以在所有这 40 个会话中使用多个浏览器？
如果我理解正确，您想创建功能吗？有几种方法可以做到这一点。我将首先谈谈标签编码和热标签编码（链接是我在谷歌上找到的第一个）。这取决于型号，我将在下面解释。
由于我们想在模型中使用分类数据，因此大多数模型在数值数据上表现得更好。所以让我们转换分类 -> 数字：
import pandas as pd
from sklearn.preprocessing import LabelEncoder
df = pd.DataFrame({'user':['adam','adam','susie','jane'],
'browser':['chrome','firefox','chrome','opera']})
browser user
0 chrome adam
1 firefox adam
2 chrome susie
3 opera jane
label_encoder = LabelEncoder()
# convert browser to numeric
df['browser_encoded'] = label_encoder.fit_transform(df['browser'])
browser user browser_encoded
0 chrome adam 0
1 firefox adam 1
2 chrome susie 0
3 opera jane 2
在“现实世界”中，您将browser按照现在的编码删除列。我留下它是为了向你展示发生了什么。
现在请注意我们的数据现在是数字的。但现在有一个问题。如果您正在使用诸如多元线性回归之类的东西，那么您只是为 Opera 浏览器分配了更高的权重，因为它是一个更高的数字。(2>1 和 2>0)。但由于这是分类问题，而且 Opera 并不比我们模型中的其他浏览器“更重要”，我们需要解决这个问题。这就是 One Hot Encoding 发挥作用的地方。
pd.concat([df,pd.get_dummies(df['browser'])], axis=1)
browser user browser_encoded chrome firefox opera
0 chrome adam 0 1 0 0
1 firefox adam 1 0 1 0
2 chrome susie 0 1 0 0
3 opera jane 2 0 0 1
现在我们的数据列在列中。当有人将该浏览器用于该记录时，将出现 1 值。看到第一条记录了吗？其中chrome列是 1，因为亚当在列中使用了“铬” browser？
关于标签编码，还有最后一件事！您不想陷入某些模型的虚拟变量陷阱。基本逻辑是：如果你知道浏览器不是Chrome 或 Firefox，那一定是 Opera。如果您知道浏览器是Chrome，那么您就知道它不是 Firefox 或 Opera。所以你只需要N-1。如果您使用所有列，您的模型可能表现不佳。您只需删除其中一列。你可以这样做drop_first=True
pd.concat([df,pd.get_dummies(df['browser'], drop_first=True)], axis=1)
browser user browser_encoded firefox opera
0 chrome adam 0 0 0
1 firefox adam 1 1 0
2 chrome susie 0 0 0
3 opera jane 2 0 1
创建特征的另一种方法是自己制作。您提到用户可以使用多个浏览器。为了一个简单的例子，我正在编造一些东西 - 但也许他们使用的浏览器数量可以成为一个功能？您可以像这样创建一个：
df['num_of_browsers_used'] = df.groupby('user', as_index=False).transform('nunique')['browser']
browser user browser_encoded num_of_browsers_used
0 chrome adam 0 2
1 firefox adam 1 2
2 chrome susie 0 1
3 opera jane 2 1