-
资料：Multi-Hot encoding
https://datascience.stackexchange.com/questions/37234/muti-hot-encoding-vs-label-encoding -
资料：论文：A Comparative Study of Categorical Variable Encoding
https://www.researchgate.net/profile/Kedar_Potdar/publication/320465713_A_Comparative_Study_of_Categorical_Variable_Encoding_Techniques_for_Neural_Network_Classifiers/links/59e6f9554585151e5465859c/A-Comparative-Study-of-Categorical-Variable-Encoding-Techniques-for-Neural-Network-Classifiers.pdf
机器学习算法的输入，只能是数字，因此对于分类的特征，就需要编码技术。
Data variables generally fall into one of the four broad categories: nominal scale, ordinal scale, interval scale, and ratio scale.
数据变量一般有四种：
- nominal scale：名词词性的变量
- ordinal scale：有顺序变量
- interval scale：有间隔的变量
- ratio scale：有比率的变量
名词词性的变量没有数字，仅仅是性质数据值，通常用类型表示，比如性别为男女、婚姻状态为未婚和已婚。
顺序变量除了有名词描述，还有方向性的顺序信息，但是名词之间的距离是无法精确衡量的，比如低、中、高，或者快和慢。
间隔变量除了有顺序的信息，也提供了它们之间的等距间隔信息，比如温度，每个刻度都是一个衡量。
比率变量则除了拥有词性，是可以比较大小的。