用数据框的unique函数就能得到所有的工作情况。

adult["Work-Class"]。unique()

输出结果如下：

array(['State-gov', 'Self-emp-not-inc', ' Private','Federal-gov', 'Local-gov', '?', 'Self-emp-inc',' Without-pay',

' Never-worked', nan], dtype=object)

数据集部分数据缺失，但不会影响这里的计算。

对于Adult数据集，我们可以创建LongHours（时长）特征，用它来表示一个人每周工作时间是否多于40小时。这样就把连续值（Hours-per-week，每周工作时长）转换为类别型特征。

adult["LongHours"] = adult["Hours-per-week"] > 40

选择好的分类算法也可以提升数据挖掘应用的效果，但是通过选用好的特征来达到同样的目的。

3。2 特征选择

通常特征数量很多，但是我们只想选用其中一部分。有如下几个原因：

降低复杂度：随着特征数量的增加，很多数据挖掘算法需要更多的时间和资源。减少特征数量，是提高算法运行速度，减少资源使用的好办法。

降低噪音：增加额外特征并不总会提升算法的表现。额外特征可能扰乱算法的正常工作，这些额外特征间的相关性和模式没有实际应用价值（这种情况在小数据集上很常见）。只选择合适的特征有助于减少出现没有实际意义的相关性的几率。

增加模型可读性:根据成千上万个特征创建的模型来解答一个问题，对计算机来说很容易，但模型对我们自己来说就晦涩无比。因此，使用更少的特征，创建我们自己可以理解的模型，就很有必要。

有些分类算法确实很强壮，能够处理噪音问题，特征再多也不在话下，但是选用干净的数据，选取更具描述性的特征，对算法效果提升很有帮助。文献综述

在开展数据挖掘工作前，有些基础测试我们要做，比如确保特征值是不同的。如果特征值都相同，就跟没提供什么信息一样，挖掘就失去了意义。

Scikit-learn中的VarianceThreshold转换器可用来删除特征值的方差达不到最低标准的特征。下面通过代码来讲下它的用法，首先用numpy创建一个简单的矩阵。

import numpy as np 

X = np。arange(30)。reshape((10, 3))

上述矩阵包含0到29，共30个数字，分为3列10行。可以把它看成一个有10个个体、3个特征的数据集。