在机器学习和数据分析中，经常会遇到需要将分类特征转换成数字特征的情况。这里提供几种常见的方法，可以帮助在Python中将分类特征转换成数字特征。
方法1：One-hot编码
One-hot编码是将离散型特征转成连续型特征最常用且最容易理解的方式。它的基本思想是将离散型特征的每个取值，都转换成一个新的特征，并赋值为0或1，表示原始特征是否具有该取值。比如，对于一个 “color” 特征，它有3个可能的取值：”red”、”green”、”blue”，那么用 One-hot 编码就可以把这个特征变成一个拥有3个值 的特征集，例如 [1,0,0] 表示 “red”、[0,1,0] 表示 “green”、[0,0,1] 表示 “blue”。
具体实现方法使用scikit-learn库中的OneHotEncoder函数：
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(handle_unknown='ignore')
X = [['Male', 1], ['Female', 3], ['Female', 2]]
enc.fit(X)
enc.transform([['Female', 1], ['Male', 4]]).toarray()
结果：
array([[0., 1., 1., 0., 0.],
[1., 0., 0., 0., 1.]])
其中，左起第1，3，4列为性别的one-hot编码（Female变成了[0,1]，Male变成了[1,0]）；左起第2，5列为数值化的特征。
方法2：映射编码
另一种将分类特征转换成数字特征的方法是映射编码。它的基本思想是将每个可能的取值逐一映射成一个整数，例如用 {‘red’: 1, ‘green’: 2, ‘blue’: 3} 记录一个 “color” 特征的取值。
实现代码如下：
color_mapping = {
'red': 1,
'green': 2,
'blue': 3
}
df['color_code'] = df['color'].map(color_mapping)
其中，左式为最终新建的一列 ‘color_code’，右式将原始特征 ‘color’ 依照已定义的映射方案，从而生成数字型新特征。
这种方法常常用于类似性别这样的特征。
综上，将分类特征转换成数字特征可以使用One-hot编码或映射编码，两者实现方式、应用场景不同，具体根据实际业务需求选择合适方法。