给大家的福利
零基础入门
对于从来没有接触过网络安全的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。
同时每个成长路线对应的板块都有配套的视频提供:
因篇幅有限,仅展示部分资料
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
new_data = vector.fit_transform(old_data)
print(new_data)
输出:
[[18. 1. 0.]
[20. 0. 1.]]
## 二、特征名字
如果想知道提取的数字特征是什么意思,可以用 get\_feature\_names\_out() 获取「特征名字」,也就是特征和原始数据的对应关系。
from sklearn import feature_extraction
原始数据(字典)
old_data = [
{‘name’: “张三”, ‘age’: 18},
{‘name’: “李四”, ‘age’: 20},
{‘name’: “王五”, ‘age’: 22}]
初始化
vector = feature_extraction.DictVectorizer(sparse=False)
转换数据
new_data = vector.fit_transform(old_data)
print(new_data)
特征名字
print(vector.get_feature_names_out())
输出:
[[18. 1. 0. 0.]
[20. 0. 1. 0.]
[22. 0. 0. 1.]]
[‘age’ ‘name=张三’ ‘name=李四’ ‘name=王五’]
接下来,解释一下提取的数字特征是什么意思。提取的数字特征是个二维数组,里面包含了三个数组。
一个数组即一行,代表一个样本;而一列,就代表一个特征。比如上面这个特征:
每个数组的第一列是age特征,age本来就是数字,所以就没必要转换了;
第二列是张三特征,用0和1表示,1表示name是张三,0表示name不是张三;
第三列是李四特征,1表示name是李四,0表示name不是李四;
第四列十王五特征,1表示name是王五,0表示name不是王五。
如果没看懂,可以自己修改原始数据,然后查看输出的结果。
这个提取的数字特征数组,其位置和特征类型有关,比如这里有 age、张三、李四、王五 四种特征类型,那么数字特征数组就有4个位置。如果特征类型有五种,那么数字特征数组就会变成5个位置,以此类推。这种提取方式也叫 one-hot编码,
## 三、返回原始数据
将提取的数字特征,转换会原始数据,可以使用 inverse\_transform()。
from sklearn import feature_extraction
原始数据(字典)
old_data = [
{‘name’: “张三”, ‘age’: 18},
{‘name’: “李四”, ‘age’: 20},
{‘name’: “王五”, ‘age’: 22}]
初始化
vector = feature_extraction.DictVectorizer(sparse=False)
转换数据
new_data = vector.fit_transform(old_data)
print(new_data)
转回原始数据
print(vector.inverse_transform(new_data))
输出:
[[18. 1. 0. 0.]
[20. 0. 1. 0.]
[22. 0. 0. 1.]]
[{‘age’: 18.0, ‘name=张三’: 1.0}, {‘age’: 20.0, ‘name=李四’: 1.0}, {‘age’: 22.0, ‘name=王五’: 1.0}]
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友,可以点击这里获取](https://bbs.csdn.net/topics/618540462)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**