在机器学习中，通常会见到如下两种类型的特征。
数值特征，如房屋面积、收入等。
类别特征，如性别、衬衫尺码等。
然而，还有一种类型特征，在特征工程中需要特殊注意，但却往往被忽视了，那就是循环特征。
与其他连续变化（或没有固有顺序）的特征不同，循环特征表现出周期性行为，并在特定间隔后重复。例如，一天中的小时、星期中的天数和一年中的月份都是常见的循环特征。以一天中的小时为例，其值可以在0到23之间变化。
如果我们不把它们看作循环特征，也不用合适的方法处理它们，那么，我们可能会损失一些关键信息。
对于一天中24小时，最理想的的特征表示是，“0”点和“23”点必须接近。
而且，“0”点和“1”点之间的距离也要和“0”点和“23”点之间的距离相等。
然而，一般的特征表示方法不满足这些属性，‘23’的值与‘0’相距甚远。实际上，距离属性也未得到满足。
现在，请想一想，是不是应该采用特别的特征工程方法来保留其固有的自然属性呢？
循环特征编码
