标称属性是什么？只表示类别、没有大小顺序的属性

标称属性（Nominal Attribute），也叫列名属性、名义属性或名词性属性，是指取值只是一些类别的名称、这些类别之间没有大小和先后顺序之分的数据属性。“标称”的意思就是“只是一个名字”。

一些例子

颜色：红、绿、蓝；城市：北京、上海、广州；血型：A 型、B 型、AB 型、O 型；职业：教师、医生、工程师；婚姻状况：未婚、已婚、离异；商品的品类：服装、食品、电器。在这些属性中，各个取值之间只有“相同”或“不同”的区别，不能说“红色比绿色大”，也不能说“北京排在上海前面”。

有时候，标称属性的取值也会用数字来表示，比如用 1 代表男、2 代表女，用邮政编码、身份证号、电话号码来标识地区或个人。但这些数字只是一种代号，没有数学上的意义：对它们进行加减乘除、计算平均值都是毫无意义的，比如计算“平均邮政编码”。判断一个属性是不是标称属性，关键是看它的取值之间是否存在有意义的大小或顺序关系，而不是看它是用文字还是数字来表示的。

与其他属性类型的区别

统计学家史蒂文斯在 1946 年把测量的尺度分为四种，标称尺度是其中最基本的一种。序数属性：取值之间有先后顺序，但相邻取值之间的差距不一定相等，比如学历分为小学、中学、大学，满意度分为不满意、一般、满意，衣服尺码分为小号、中号、大号。可以比较大小，但不能说“满意和一般之间的差距等于一般和不满意之间的差距”。区间属性和比率属性：都是数值属性，取值之间的差值有意义，比如温度、身高、收入。标称属性是这几种中包含信息最少的一种。二元属性是标称属性的一种特殊情况，只有两个取值，比如是否吸烟、是否购买。

能对标称属性做什么分析

由于标称属性的取值没有大小和顺序，对它能进行的统计分析是有限的：可以统计每个类别出现的次数和比例，比如顾客中各个城市的占比；可以找出出现次数最多的类别，也就是众数；可以用卡方检验等方法，分析两个标称属性之间是否存在关联，比如性别和购买的商品类型之间是否有关系。但不能计算平均值、中位数和标准差。

在机器学习中怎么处理

大多数机器学习模型只能处理数值，所以标称属性通常需要先转换为数值的形式。独热编码：最常用的方法。为每一个可能的类别建立一列，样本属于这个类别，这一列就是 1，否则就是 0。比如颜色有红、绿、蓝三种，就建立三列，红色表示为一、零、零。这样做不会引入任何虚假的大小关系。缺点是当类别非常多时，比如有几千个城市，会产生大量的列。标签编码：直接用整数 0、1、2 来表示各个类别。这种方法虽然简单，但会让模型误以为类别之间存在大小关系，比如误以为蓝色大于红色，所以一般不适用于线性模型等，但对决策树类的模型影响较小。目标编码：用每个类别对应的目标变量的平均值来代替这个类别，适合类别很多的情况，但需要注意防止信息泄露和过拟合。嵌入：在深度学习中，常把每个类别映射为一个可以学习的向量，让模型自己学到类别之间的相似关系，比如推荐系统中对用户和商品的编号进行嵌入。决策树、随机森林以及 CatBoost 等一些梯度提升树的实现，可以比较直接地处理类别型的特征。