原始資料集，特徵數值化

在原始資料集中，feature是多種多樣的，為了方便處理，我們必須把feature數值化，而且還需要把特徵值數值化。

示例：

x=[[黃色,小,成人,用手打]
,[黃色,小,成人,用腳踩]
,[黃色,小,小孩,用手打]
,[黃色,小,小孩,用腳踩]
,[黃色,大,成人,用手打]
,[黃色,大,成人,用腳踩]
,[黃色,大,小孩,用手打]
,[黃色,大,小孩,用腳踩]
,[紫色,小,成人,用手打]
,[紫色,小,小孩,用手打]
,[紫色,大,成人,用腳踩]
,[紫色,大,小孩,用腳踩]
]
y = [不爆炸,爆炸,不爆炸,不爆炸,爆炸,爆炸,不爆炸,
 
爆炸,不爆炸,不爆炸,爆炸,爆炸]

feature數值化，直接是一個數據的下標ID就可以了。

featureValue數值化，為了實現featureValue數值化，我們必須建立（feature，featureValue):featureValue編碼 的字典

可見上述資料x為：資料數量*feature數量

注意我們這裡沒有使用numpy特徵數值化，使用python比較方便。

為了簡便解釋feature數量為n,資料數量為N

將資料轉置,這樣得到的資料為:feature數量n*資料數量N，這樣每一行就對應了某一個feature的N個取值

		# 將輸入的向量轉置
		features =
 
 map(list,zip(*x))

每一行就對應了某一個feature的N個取值，這個就是我們編碼的物件，我們需要確定每一個feature有多少個取值，set就去掉了重複，就得到的矩陣為：feature數量n*每一個feature取值的數量m

        # 獲取的是每一個feature的取值
        features = [set(feat) for feat in features]

下面是編碼，_對應的是 feature取值，i對應的是這個feature取值的編碼，比如黃色是0，紫色是1，小是0，大是1，這樣得到的是二維陣列：feature數量n*feature取值的數量m,這個字典就是：（feature，featureValue):featureValue編碼，比如features[顏色][黃色] =0

        # feat_dics[第幾個feature][這個feature的取值] = 這個feature的取值對應的數值化ID
        feat_dics = [{_:i for i,_ in enumerate(feats)} for feats in features ]
        label_dic = {_:i for i,_  in enumerate(set(y))}

得到（feature，featureValue):featureValue編碼的字典之後，就需要對原始資料編碼，我們需要按照（feature，featureValue)這個pair索引來編碼。

原始資料為：資料數量N*feature數量n,一行一行的讀取，就是一個數據的n個featureValue，這個就和索引對上了，每一個featureValue都能找到對應的編碼了。

        # 利用字典轉換更新資料集
        # 這裡可能有點難以理解，自己舉個例子就能明白
        # feat_dics每一行代表一個feature緯度
        # 每一行裡裝的是：這個feature的取值：數值化這個feature的取值
        # 原始x每一行[feature1,feature2..]，遍歷它，就是第幾個feature
        x = np.array([[feat_dics[i][_] for i,_ in sample] for sample in x])
        y = np.array([label_dic[yy] for yy in y])