編碼
將類別變數轉換為數值格式，以便機器學習演算法處理。
背景說明
多數合成演算法僅支援數值型欄位的合成，即使直接支援類別欄位合成，也通常涉及合成器本身內建的前處理與後處理還原轉換。而 CAPE 團隊正是希望控制這些第三方套件不可預期的行為而設計了 PETsARD。
PETsARD 建議對於任何包含類別變項的欄位，都應主動進行編碼處理：
- 類別變項：預設使用均勻編碼（Uniform Encoding）
- 技術細節參見 Datacebo 官方文件中的均勻編碼
使用範例
請點擊下方按鈕在 Colab 中執行完整範例：
使用預設編碼
Preprocessor:
demo:
method: 'default'
# 類別型欄位：使用均勻編碼
# 數值型欄位：不編碼自訂特定欄位的編碼
Preprocessor:
custom:
method: 'default'
config:
encoder:
gender: 'encoder_onehot' # One-Hot 編碼
education: 'encoder_label' # 標籤編碼
country: 'encoder_uniform' # 均勻編碼
age: None # 數值欄位不編碼日期編碼
Preprocessor:
date_encoding:
method: 'default'
config:
encoder:
created_at: 'encoder_date'
doc_date:
method: 'encoder_date'
input_format: '%MinguoY-%m-%d' # 民國年格式
date_type: 'date'可用的處理器
| 處理器 | 說明 | 適用類型 | 輸出 |
|---|---|---|---|
encoder_uniform | 均勻編碼 | 類別型 | 連續值 |
encoder_label | 標籤編碼 | 類別型 | 整數 |
encoder_onehot | One-Hot 編碼 | 類別型 | 多欄位（0/1） |
encoder_date | 日期格式轉換 | 日期時間型 | datetime |
處理器詳細說明
encoder_uniform
均勻編碼：依照類別出現頻率分配數值範圍。
特性：
- 保留類別的頻率資訊
- 輸出為連續值（0.0 到 1.0 之間）
- 高頻類別獲得較大的數值範圍
範例：
config:
encoder:
education: 'encoder_uniform'編碼示例：
原始資料：['high', 'low', 'medium', 'low', 'low']
頻率：low(60%), medium(20%), high(20%)
編碼結果：
- low → 0.0-0.6 的隨機值
- medium → 0.6-0.8 的隨機值
- high → 0.8-1.0 的隨機值encoder_label
標籤編碼：將類別映射到連續整數。
特性：
- 簡單直接的映射
- 輸出為整數（0, 1, 2, …）
- 不保留類別間的順序關係
範例：
config:
encoder:
gender: 'encoder_label'編碼示例：
原始資料：['Male', 'Female', 'Male', 'Other']
編碼結果：
- Male → 0
- Female → 1
- Other → 2encoder_onehot
One-Hot 編碼：為每個類別創建獨立的二元欄位。
特性：
- 每個類別變成一個新欄位
- 輸出為多個欄位（0 或 1）
- 不假設類別間有順序關係
範例：
config:
encoder:
color: 'encoder_onehot'編碼示例：
原始資料：['Red', 'Blue', 'Red', 'Green']
編碼結果（3個新欄位）：
| color_Red | color_Blue | color_Green |
|-----------|------------|-------------|
| 1 | 0 | 0 |
| 0 | 1 | 0 |
| 1 | 0 | 0 |
| 0 | 0 | 1 |encoder_date
日期格式轉換：解析並標準化日期時間資料。
參數：
input_format (
str, 選用)：輸入日期格式- 預設：自動偵測
- 支援民國年：
%MinguoY
date_type (
str, 選用)：輸出類型'date'：僅日期'datetime'：日期和時間（預設）'datetime_tz'：含時區
tz (
str, 選用)：時區- 範例：
'Asia/Taipei'
- 範例：
numeric_convert (
bool, 選用)：是否轉換數值時間戳- 預設：
False
- 預設：
invalid_handling (
str, 選用)：無效日期處理'error'：拋出錯誤（預設）'erase'：設為 NA'replace'：使用替換規則
範例：
config:
encoder:
# 基本使用
created_at: 'encoder_date'
# 民國年格式
doc_date:
method: 'encoder_date'
input_format: '%MinguoY-%m-%d'
date_type: 'date'
# 含時區
event_time:
method: 'encoder_date'
date_type: 'datetime_tz'
tz: 'Asia/Taipei'
invalid_handling: 'erase'處理邏輯
類別編碼（Uniform/Label/OneHot）
訓練階段（fit）：
學習類別映射規則
轉換階段（transform）：
依映射規則將類別轉為數值
還原階段（inverse_transform）：
依映射規則將數值還原為類別日期編碼（Date）
訓練階段（fit）：
無需訓練
轉換階段（transform）：
解析並轉換為標準日期格式
還原階段（inverse_transform）：
保持日期格式或轉為日期字串預設行為
不同資料類型的預設編碼：
| 資料類型 | 預設處理器 | 說明 |
|---|---|---|
| 數值型 | 無 | 不編碼 |
| 類別型 | encoder_uniform | 均勻編碼 |
| 日期時間型 | 無 | 不編碼 |
編碼方法比較
| 方法 | 優點 | 缺點 | 適用場景 |
|---|---|---|---|
| Uniform | 保留頻率資訊 連續值利於合成 | 需要足夠樣本數 | 預設選擇 合成資料 |
| Label | 簡單高效 節省空間 | 暗示順序關係 | 有序類別 離散化前處理 |
| OneHot | 不假設順序 清晰表達 | 高基數時產生大量欄位 | 低基數類別 獨立類別 |
| Date | 標準化日期格式 支援多種輸入 | 需要正確格式設定 | 日期時間資料 |
完整範例
Loader:
load_data:
filepath: 'data.csv'
schema: 'schema.yaml'
Preprocessor:
encode_data:
method: 'default'
sequence:
- missing
- outlier
- encoder
- scaler
config:
encoder:
# 使用不同編碼方法
gender: 'encoder_onehot' # 二元類別：One-Hot
education: 'encoder_label' # 有序類別：Label
occupation: 'encoder_uniform' # 多類別：Uniform
# 日期處理
birth_date:
method: 'encoder_date'
input_format: '%MinguoY/%m/%d'
date_type: 'date'
# 數值欄位不編碼
age: None
income: None注意事項
- OneHot 欄位數量：會依類別數量產生多個新欄位
- 高基數問題：類別數量過多時避免使用 OneHot
- 編碼順序：建議在離群值處理之後、縮放之前執行
- 民國年支援：使用
%MinguoY格式標記 - 時區處理：datetime_tz 類型會保留時區資訊
- 還原精確度：Uniform 編碼還原時可能有輕微誤差
- 與 discretizing 互斥：不能同時使用 encoder 和 discretizing