Frequency Encoding（頻率編碼）是將類別變數中的每個類別，依其在資料集中出現的頻率（次數比例）轉換成數值的一種方法。這種方法的核心做法是計算每個類別在樣本中出現的頻率，然後用該頻率值替代原本的類別標籤。
Frequency Encoding的特點包括：- 將類別資料轉換為頻率數值，保持類別出現的相對重要性。 不會增加資料維度，適合高基數（類別數多）特徵。 與Label Encoding不同，不會引入虛假的序列關係。 可反映類別出現的普遍程度，對某些模型有助益。
舉例而言，一個城市類別中「台北」出現了100次，「高雄」出現了50次，則台北被編碼為0.67（100/150），高雄為0.33（50/150）。
缺點是：類別頻率相同的會被賦予相同數值，可能導致模型無法區分此類別的細節；此外，它對有序類別並不適合。
總結來說，Frequency Encoding常用於處理類別數量大且頻率分布有意義的資料，能在保持資訊的同時壓縮維度，適合多種機器學習算法。
