scikit-learn中的OneHotEncoder用法

OneHotEncoder 可用于将分类特征的每个元素转化为一个可直接计算的数值，也即特征值数字化，常用于特征工程中的数据预处理。

其本质是One-Hot编码在scikit-learn中的实现。

One-Hot
One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候只有一位有效。

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值，然后，每个整数值被表示为二进制向量，将整数索引标记为1，其余都标为0。

sklearn 中的 OneHotEncoder
直达官网： sklearn.preprocessing.OneHotEncoder

基本参数：
# Encode categorical integer features as a one-hot numeric array.
OneHotEncoder(n_values=None,
categorical_features=None,
categories=None,
drop=None,
sparse=True,
dtype=np.float64,
handle_unknown='error')
示例：

#-*- coding: utf-8 -*-
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() 的话，输出的是稀疏的存储格式，即索引加值的形式，也可以通过参数指定 sparse = False 来达到同样的效果
'''
print(ans)
#输出 [[ 1. 0. 0. 1. 0. 0. 0. 0. 1.]]

解释：

对于输入数组，依旧是把每一行当作一个样本，每一列当作一个特征，

先来看第一个特征，即第一列 [0,1,0,1]，也就是说它有两个取值 0 或者 1，那么 one-hot 就会使用两位来表示这个特征，[1,0] 表示 0， [0,1] 表示 1，在上例输出结果中的前两位 [1,0…] 也就是表示该特征为 0；

第二个特征，第二列 [0,1,2,0]，它有三种值，那么 one-hot 就会使用三位来表示这个特征，[1,0,0] 表示 0， [0,1,0] 表示 1，[0,0,1] 表示 2，在上例输出结果中的第三位到第六位 […0,1,0,0…] 也就是表示该特征为 1；

第二个特征，第三列 [3,0,1,2]，它有四种值，那么 one-hot 就会使用四位来表示这个特征，[1,0,0,0] 表示 0， [0,1,0,0] 表示 1，[0,0,1,0] 表示 2，[0,0,0,1] 表示 3，在上例输出结果中的最后四位 […0,0,0,1] 也就是表示该特征为 3；

注意：

在scikit-learn 0.20版本中有一个比较重要的改动，就是sklearn.preprocessing.OneHotEncoder 除了支持整数外，还支持字符串。
否则如果特征是字符串，就需要先使用 sklearn.preprocessing.LabelEncoder 将离散特征值转换为数字。
常用参数解释

n_values=’auto’
-（scikit-learn 0.20 中以categories替代，也即： categories=’auto’ ）

表示每个特征使用几维的数值由数据集自动推断，即几种类别就使用几位来表示。当然也可以自己指定，示例：

from sklearn.preprocessing import OneHotEncoder

enc = OneHotEncoder(categories= [2, 3, 4])

enc.fit([[0, 0, 3],

[1, 1, 0]])

ans = enc.transform([[0, 2, 3]]).toarray()

print(ans)

#输出 [[ 1. 0. 0. 0. 1. 0. 0. 0. 1.]]

drop=None
-用于从每个特征中舍去特定的分类，默认为None，且不能与categories、n_values同用。

dtype=np.float64
表示编码数值格式，默认是浮点型。

sparse=True
表示编码的格式，默认为 True，即为稀疏的格式，指定 False 则就不用 toarray() 了

handle_unknown=’error’
，其值可以指定为 “error” 或者 “ignore”，即如果碰到未知的类别，是返回一个错误还是忽略它。

categorical_features = 'all’
这个参数指定了对哪些特征进行编码，默认对所有类别都进行编码。也可以自己指定选择哪些特征，通过索引或者 bool 值来指定，看下例：

from sklearn.preprocessing import OneHotEncoder

enc = OneHotEncoder(categorical_features = [0,2]) # 等价于 [True, False, True]
enc.fit([[0, 0, 3],
      [1, 1, 0],
      [0, 2, 1],
      [1, 0, 2]])

ans = enc.transform([[0, 2, 3]]).toarray()
print(ans)
#输出 [[ 1. 0. 0. 0. 0. 1. 2.]]
以下为jupyter notebook 输出示例，可以看到运行结果之外，还有一串Warnings

出现警告的原因是：

scikit-learn 0.20 中将此参数进行了剥离，后续的OneHotEncoder将不再支持categorical_features 参数，但新增了sklearn.compose.ColumnTransformer 类，
通过这个类我们可以对输入的特征分别做不同的预处理，并且最终的结果还在一个特征空间里面。

ColumnTransformer 的具体使用方法在此不再展开，
下面示例演示利用OneHotEncoder结合ColumnTransformer ，实现categorical_features 参数对指定的特征类编码
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer

categorical_features = [0,2]
enc = OneHotEncoder(handle_unknown='ignore')
clt = ColumnTransformer([('name',enc,categorical_features)],remainder='passthrough')

clt.fit([[0, 0, 3],
      [1, 1, 0],
      [0, 2, 1],
      [1, 0, 2]])

ans = clt.transform([[0, 2, 3]]) # 此处不能再使用toarray()
print(ans)
#输出 [[1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 2]]

[color=rgba(0, 0, 0, 0.75)]fit_transform()
[color=rgba(0, 0, 0, 0.75)]方法 transform( X ) 就是对 X 进行编码了。在实际应用中，我们更常用方法fit_transform( ) ，它相当于fit( X ).transform( X ) ，也就是一步到位，看下例：

[color=rgba(0, 0, 0, 0.749019607843137)]from sklearn.preprocessing import OneHotEncoder
[color=rgba(0, 0, 0, 0.749019607843137)]

[color=rgba(0, 0, 0, 0.749019607843137)]enc = OneHotEncoder(sparse = False)
[color=rgba(0, 0, 0, 0.749019607843137)]ans = enc.fit_transform([[0, 0, 3],
[color=rgba(0, 0, 0, 0.749019607843137)]                      [1, 1, 0],
[color=rgba(0, 0, 0, 0.749019607843137)]                      [0, 2, 1],
[color=rgba(0, 0, 0, 0.749019607843137)]                      [1, 0, 2]])
[color=rgba(0, 0, 0, 0.749019607843137)]

[color=rgba(0, 0, 0, 0.749019607843137)]print(ans)
[color=rgba(0, 0, 0, 0.749019607843137)] ''' 输出
[color=rgba(0, 0, 0, 0.749019607843137)]  [[ 1.  0.  1. ...,  0.  0.  1.]
[color=rgba(0, 0, 0, 0.749019607843137)] [ 0.  1.  0. ...,  0.  0.  0.]
[color=rgba(0, 0, 0, 0.749019607843137)] [ 1.  0.  0. ...,  1.  0.  0.]
[color=rgba(0, 0, 0, 0.749019607843137)] [ 0.  1.  1. ...,  0.  1.  0.]]
[color=rgba(0, 0, 0, 0.749019607843137)] '''

结束：

以上只是OneHotEncoder的基本用法演示，更多高级的应用，有待进一步研究学习。

scikit-learn中的OneHotEncoder用法相关推荐

机器学习与Scikit Learn学习库
摘要: 本文介绍机器学习相关的学习库Scikit Learn,包含其安装及具体识别手写体数字案例,适合机器学习初学者入门Scikit Learn. 在我科研的时候,机器学习(ML)是计算机科学领域中最 ...
Scikit Learn: 在python中机器学习
Warning 警告:有些没能理解的句子,我以自己的理解意译. 翻译自:Scikit Learn:Machine Learning in Python 作者: Fabian Pedregosa, Ga ...
[转载]Scikit Learn: 在python中机器学习
原址:http://my.oschina.net/u/175377/blog/84420 目录[-] Scikit Learn: 在python中机器学习载入示例数据一个改变数据集大小的示例:数码 ...
python笔迹识别_python_基于Scikit learn库中KNN,SVM算法的笔迹识别
之前我们用自己写KNN算法[网址]识别了MNIST手写识别数据 [数据下载地址] 这里介绍,如何运用Scikit learn库中的KNN,SVM算法进行笔迹识别. 数据说明: 数据共有785列,第一列 ...
sql语句中的in用法示例_示例中JavaScript in操作符
sql语句中的in用法示例 One of the first topics you'll come across when learning JavaScript (or any other prog ...
【scikit-learn】如何用Python和SciKit Learn 0.18实现神经网络
本教程的代码和数据来自于 Springboard 的博客教程.本文的作者为 Jose Portilla,他是网络教育平台 Udemy 一门数据科学类课程的讲师. GitHub 链接:https://g ...
python scikit learn 关闭开源_scikit learn 里没有神经网络？
本教程的代码和数据来自于 Springboard 的博客教程,希望能为你提供帮助.作者为 Jose Portilla,他是网络教育平台 Udemy 一门数据科学类课程的讲师. GitHub 链接:ht ...
scikit - learn 做文本分类
文章来源: https://my.oschina.net/u/175377/blog/84420 Scikit Learn: 在python中机器学习 Warning 警告:有些没能理解的句子,我以自 ...
mysql中change用法,mysql 中alter的用法以及一些步骤
mysql 中alter的用法以及一些方法在用到alter的时间,查到了这个文章,就copy下来了,详细进入下面链接: MySQL之alter语句用法总结 1:删除列 ALTER TABLE [表名 ...
mysql中正则表达式的用法_Mysql中正则表达式Regexp常见用法
Mysql中Regexp常见用法模糊匹配,包含特定字符串 # 查找content字段中包含"车友俱乐部"的记录 select * from club_content where ...

scikit-learn中的OneHotEncoder用法

scikit-learn中的OneHotEncoder用法相关推荐

最新文章

热门文章