将分类数据转换成二进制数据可以使用One-Hot Encoding方法。以下是在Python中使用sklearn库进行One-Hot Encoding的过程：
首先，我们需要导入需要使用的库：
from sklearn.preprocessing import OneHotEncoder
import numpy as np
其次，我们需要准备要进行转换的数据集，用一个二维数组表示，例如：
x = np.array([['红', '小', '好'], ['绿', '中', '优'], ['蓝', '大', '良']])
其中，每行代表一组数据，每列是一个特征。在这个例子中，第一列是颜色，第二列是尺寸，第三列是质量。
接下来，我们需要将分类特征（在这个例子中为颜色、尺寸和质量）进行One-Hot Encoding转换：
enc = OneHotEncoder()
enc.fit(x)
x_transformed = enc.transform(x).toarray()
这里，我们首先创建了一个OneHotEncoder对象，并用fit方法拟合数据（也可以在创建时直接拟合数据：enc = OneHotEncoder().fit(x)），然后用transform方法将数据转换成二进制数据并进行展平（将矩阵转换成一维数组）。最后，我们将转换后的数据存储在x_transformed中。
最终的输出结果为：
array([[1., 0., 0., 1., 0., 0., 1., 0., 0.],
[0., 1., 0., 0., 0., 1., 0., 1., 0.],
[0., 0., 1., 0., 1., 0., 0., 0., 1.]])
其中，每三个数字代表一组特征。例如第一行第一组特征颜色是红色，转换成二进制数据为[1. 0. 0.]，第二组特征尺寸是小，转换成二进制数据为[1. 0. 0.]，第三组特征质量是好，转换成二进制数据为[1. 0. 0.]。所以第一行的转换结果为[1., 0., 0., 1., 0., 0., 1., 0., 0.]。
以上就是如何在Python中把分类数据转换成二进制数据的过程，在实际应用中，我们一般也会将转换后的数据集传入机器学习模型进行训练或者测试。