一、簡介
OneHotEncoder(n_values = 'auto',categorical_features='all',dtype=<class 'numpy.float64'),sparse=True,handle_unknown = 'error')
- 1、One-Hot編碼也稱爲“獨熱”式編碼，既然獨熱是隻能有一位是“發光”的。在衆多特徵中僅僅有一個特徵起作用。
- 2、比如紅綠燈有三個特徵紅色、綠色、黃色，對這三種特徵進行數字化處理，我們可以簡單的通過定義紅色=1、綠色=2、黃色=3來進行分類，這種分類實現的是標籤編碼，即給不同的類別打上標籤。簡單分類的弊端是機器可能會根據數值進行排序，從而導致了紅色<綠色<黃色，我們事實只想讓機器去區分他們，某方面說他們的地位相等。
- 3、爲了地位相等我們使用了One-Hot編碼，紅色(1,0,0)、綠色(0,1,0)、黃色(0,0,1)。這種情況下，每兩個向量之間的距離都是根號2，在向量空間中的距離是相等的，基本不會影響基於向量空間度量算法的效果。也可以看出來每次只有一位是1。
二、代碼操作及參數詳解
- 1、簡答的代碼操作
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder()
enc.fit([[0, 0, 3],
[1, 1, 0],
[0, 2, 1],
[1, 0, 2]])
ans = enc.transform([[0, 1, 3]]).toarray()
# 如果不加 toarray() 的話，輸出的是稀疏的存儲格式，即索引加值的形式；也可以通過參數指定 sparse = False 來達到同樣的效果
print(ans)
# 輸出 [[ 1. 0. 0. 1. 0. 0. 0. 0. 1.]]
註解：
（1）代碼中4*3的矩陣表示的是4個文本，每個文本具有3個特徵，即每一列是一個特徵維度。
（2）在矩陣第一列中[0,1,0,1]中，我們可以看到這列特徵中有兩個特徵，即0和1兩種；所以我們用兩位比特數據即可表示，(1,0)來表示0，用(0,1)來表示1
（3）在矩陣第一列中[0,1,2,0]中，我們可以看到這列特徵中有三個特徵，即0和1，2三種；所以我們用三位比特數據即可表示，(1,0,0)來表示0，用(0,1,0)來表示1，(0,0,1)來表示2
（4）在矩陣第一列中[3,0,1,2]中，我們可以看到這列特徵中有四個特徵，即0和1，2，3四種；所以我們用四位比特數據即可表示，(1,0,0,0)來表示0，用(0,1,0,0)來表示1，(0,0,1,0)來表示2，(0,0,0,1)來表示3。
（5）每一列的特徵表示完了之後，我們該如何表示第一行的文本[0,0,3]呢？
在第一個特徵中0的表示爲[1,0]，在第二個特徵中0的表示爲[1,0,0]，在第三個特徵中3的表示爲[0,0,0,1]。綜上我們第一行文本的表示爲[[1,0,1,0,0,0,0,0,1]]
- 2、n_values=’auto’，表示每個特徵使用幾維的數值由數據集自動推斷，即每一列中有幾種不同的類別就使用幾位來表示。當然也可以自己指定，手動賦值特徵值的個數有助於防止類別的丟失，看下面這個例子：
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(n_values = [2, 3, 4])
enc.fit([[0, 0, 3],
[1, 1, 0]])
ans = enc.transform([[0, 2, 3]]).toarray()
print(ans)
# 輸出 [[ 1. 0. 0. 0. 1. 0. 0. 0. 1.]]
- 3、categorical_features = ‘all’，這個參數指定了對哪些特徵進行編碼，默認對所有類別都進行編碼。也可以自己指定選擇哪些特徵，通過索引或者 bool 值來指定，看下例：
from sklearn.preprocessing import OneHotEncoder
enc = OneHotEncoder(categorical_features = [0,2])
# 等價於 [True, False, True]，表示第一列和第三列的特徵有編碼
enc.fit([[0, 0, 3],
[1, 1, 0],
[0, 2, 1],
[1, 0, 2]])
ans = enc.transform([[0, 2, 3]]).toarray()
print(ans)
# 輸出 [[ 1. 0. 0. 0. 0. 1. 2.]]
#將有編碼的特徵列先進行輸出，沒有編碼的特徵列後輸出
- 4、
（1）dtype=<class ‘numpy.float64’> 表示編碼數值格式，默認是浮點型。
（2）sparse=True 表示編碼的格式，默認爲 True，即爲稀疏的格式，指定 False 則就不用 toarray() 了
（3）handle_unknown=’error’，其值可以指定爲 “error” 或者 “ignore”，即如果碰到未知的類別，是返回一個錯誤還是忽略它。