在Python中，序数编码（Ordinal Encoding）是一种将分类特征转换为数值型特征的方法，尤其适用于类别间具有某种排序意义的情况。例如，在一个数据集中，“低”、“中”、“高”三个等级的特征就可以使用序数编码，其中“低”映射为1，“中”映射为2，“高”映射为3，因为这三个等级之间存在明确的顺序关系。
在sklearn库中，可以使用OrdinalEncoder类来进行序数编码：
from sklearn.preprocessing import OrdinalEncoder
# 假设我们有一个pandas DataFrame df，并且一列名为'category'的分类数据
df = pd.DataFrame({
'category': ['low', 'medium', 'high', 'low', 'high']
})
# 创建一个OrdinalEncoder实例
oe = OrdinalEncoder()
# 拟定类别到整数的映射
df_encoded = oe.fit_transform(df[['category']])
# fit_transform会根据传入的数据自动分配序号，之后可以用transform方法对新数据进行同样的编码
# 转换后df_encoded是一个二维数组，可以直接用于机器学习模型训练
# 如果需要转换回DataFrame格式以便查看或进一步操作
df_encoded = pd.DataFrame(df_encoded, columns=['category_encoded'])
# 输出结果可能是：
# category_encoded
# 0 0
# 1 1
# 2 2
# 3 0
# 4 2
在上述代码中，OrdinalEncoder默认情况下会从0开始编号，每个类别都会得到一个唯一的整数编码。注意，在实际应用中，应当确保类别间的顺序是有意义的，否则可能引入虚假的相关性。如果类别间没有自然的排序，应考虑使用独热编码或其他无序类别编码技术。
