【大白话数据分析】搞懂这三种神仙编码(OE/QE/LOOE) + 随机森林，模型精度直接起飞！[特殊字符]

🌞欢迎来到数据分析的世界
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

🌠本阶段属于练气阶段，希望各位仙友顺利完成突破

📆首发时间：🌹2025年12月20日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

目录

引入

为什么不能直接填数字？

🍌 选手一：OE (Ordinal Encoder) —— 简单粗暴的“排号员”

📊 选手二：QE (Quantile Encoder) —— 看人下菜碟的“分段王”

🔥 选手三：LOOE (Leave-One-Out Encoder) —— 防作弊的“超级翻译”

🌲 最佳搭档：RF (Random Forest 随机森林)

💻 代码实战（Python版）

📝 总结

引入

做数据挖掘或者机器学习的同学都知道，模型（Model）其实是个“偏科生”。它数学很好，但语文

极差——它只认识数字，根本不认识汉字或英文单词！

所以，当我们拿到一份包含“性别（男/女）”、“城市（北京/上海）”、“原料（猪粪/秸秆）”这样的数

据时，第一步必须做的事就是：当翻译官！

把这些文字“翻译”成数字，这个过程就叫编码（Encoding）。

今天我们就用最接地气的方式，聊聊三种超好用的编码方式：OE、QE、LOOE，以及它们的好搭档随机森林（RF）。

1. 为什么不能直接填数字？

很多人想：“这还不简单？男=1，女=2；北京=1，上海=2，广州=3。”

这就引出了第一种编码方式。

🍌 选手一：OE (Ordinal Encoder) —— 简单粗暴的“排号员”

就是给每个类别发个号牌。

比如：[小学, 初中, 高中, 大学]

OE编码后变成：[1, 2, 3, 4]

这种方式非常的简单，省内存。非常适合有“等级关系”的数据（比如学历、尺码 S/M/L）。因为

4>3>2>1，正好对应 大学>高中>初中>小学，模型能理解这种“越来越大”的关系。但是对于没有等

级关系的数据，它会“误导”模型。比如：[苹果, 香蕉, 西瓜] 变成 [1, 2, 3]。模型会以为“西瓜(3) 比

苹果(1) 大/高级”，但其实它们只是不同的水果而已。这时候用 OE 就不太好了。

📊 选手二：QE (Quantile Encoder) —— 看人下菜碟的“分段王”

这个稍微高级一点。它不是随便给个号，而是根据这个特征对应的**目标值（Target，也就是你

要预测的结果）的表现来打分。假设我们要预测”房价”，特征是“地段”。

OE做法：一环=1，二环=2...

QE做法：它不看你是几环，它看这里的房子大部分卖多少钱。

它会把所有地段按房价排序。

房价最低的那一拨地段（比如后25%），编码为 1。

房价中等的那一拨（中间50%），编码为 2。

房价最高的那一拨（前25%），编码为 3。

它的核心逻辑：“我不关心你叫什么名字，我只关心你属于哪个档次。”这能很好地处理异常值，把

数据变得更平滑。

🔥 选手三：LOOE (Leave-One-Out Encoder) —— 防作弊的“超级翻译”

这是很多高分论文（包括很多 Kaggle 比赛）里的秘密武器。

它也是一种目标编码（Target Encoding），也就是用“结果”来代表“特征”。

我们要预测一个学生期末考试能考多少分，特征是“所在的班级”。

如果直接用这个班的平均分来代表这个班级，行不行？

比如 1班平均分90，那就把“1班”编码成 90。

问题：如果在训练的时候，你把这个学生自己的分数也算进平均分里了，这不就是作弊吗？（模型

会直接“记住”答案，而不是学习规律）。

LOOE 的神操作（Leave-One-Out = 留一法）：

在计算“1班”的编码值时，把你（当前样本）的分数拿掉，只算1班其他所有人的平均分，作为你的

编码值。优点：既利用了“这个类别通常很强”的高级信息，又完美避开了“自己预测自己”的作弊嫌

疑。准确率通常比 OE 高一大截！

🌲 最佳搭档：RF (Random Forest 随机森林)

把数据用上面三种方法编码好（变成数字）后，就可以喂给模型了。在这个组合里，随机森林

是个绝佳的选择。随机森林就是“三个臭皮匠，顶个诸葛亮”的究极版。

它种了很多棵决策树（Expert）。来了一个新数据，每棵树都通过上面的编码数字进行判断，给出

自己的预测。最后，随机森林把所有树的结果取平均（回归问题）或者投票（分类问题）。

为什么它和编码是绝配？

刚才 OE 编码里提到的“苹果(1) vs 西瓜(3)”的误导问题，随机森林通过大量的树和随机性，能一

定程度上消化掉这种误差。你不需要把数字缩放到 0-1 之间，随机森林不挑食，直接喂刚才编码好

的 1, 90, 513 这种数字，它照样吃得香。

💻 代码实战（Python版）

import pandas as pd from sklearn.ensemble import RandomForestRegressor from category_encoders import OrdinalEncoder, LeaveOneOutEncoder, QuantileEncoder from sklearn.model_selection import train_test_split # 1. 准备数据 (假装这是你的实验数据) data = pd.DataFrame({ '底物类型': ['猪粪', '秸秆', '餐厨', '猪粪', '餐厨', '秸秆'], # 分类特征 '温度': [35, 37, 55, 35, 55, 37], '产气量': [100, 120, 500, 110, 520, 130] # 目标变量 (y) }) X = data[['底物类型', '温度']] y = data['产气量'] # 2. 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # ================= 核心：编码三剑客 ================= # --- 方式 A: OE (简单排号) --- # oe = OrdinalEncoder(cols=['底物类型']) # X_train_enc = oe.fit_transform(X_train) # X_test_enc = oe.transform(X_test) # --- 方式 B: LOOE (留一法，推荐！) --- # 注意：LOOE 训练时必须传入 y_train，因为它要算平均值！ looe = LeaveOneOutEncoder(cols=['底物类型']) X_train_enc = looe.fit_transform(X_train, y_train) X_test_enc = looe.transform(X_test) # 测试集直接用训练集算好的规则 print("编码后的数据长这样：") print(X_train_enc) # ================= 核心：随机森林建模 ================= # 3. 召唤随机森林 rf = RandomForestRegressor(n_estimators=100, random_state=42) # 4. 训练 (喂入编码后的数据) rf.fit(X_train_enc, y_train) # 5. 预测 preds = rf.predict(X_test_enc) print(f"预测结果: {preds}")

📝 总结