特征工程介绍
影响机器学习的几个地方
算法或特征工程
数据和特征决定机器学习的上限，而模型和算法只是逼近这个上限。
特征抽取
将任意数据转换为可用于机器学习的数字特征
特征提取API
在计算机中，我们可以用一维数组来存储向量，用二维数组来存储矩阵
字典特征提取
下面是对字典数据进行特征化
如何理解下面这个图
我们可以发现，字典实际上只有两个属性，一个是城市，一个是温度，那么为什么生成的矩阵中会有4列呢，其实是因为我们有三个城市，所以为了区分，我们3列来区分地方，如果这里北京是 0 1 0 。
字典特征提取实际上就是把类别转换为one-hot编码
样例代码：
data = [{\\\\'city\\\\': \\\\'北京\\\\',\\\\'temperature\\\\':100}, {\\\\'city\\\\': \\\\'上海\\\\',\\\\'temperature\\\\':60}, {\\\\'city\\\\': \\\\'深圳\\\\',\\\\'temperature\\\\':30},{\\\\'city\\\\': \\\\'香港\\\\',\\\\'temperature\\\\':30}]
# 1、实例化一个转换器类
transfer = DictVectorizer(sparse=True)
# 2、调用fit_transform()
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new.toarray(), type(data_new))
print("特征名字：\n", transfer.get_feature_names())注意：默认transform会返回一个sparse矩阵（稀疏矩阵）
.toarray()后
稀疏矩阵的意义是节省内存，作用就是按位置表示出来
应用场景
1.如果数据集中特征比较多
2.如果本身拿到的就是字典数据时也可以使用
