sklearn_onehot编码与pandas中的onehot编码处理方式

一、One-Hot Encoding

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

离散特征的编码分为两种情况：

1、离散特征的取值之间没有大小的意义，比如color：[red,blue],那么就使用one-hot编码

2、离散特征的取值有大小的意义，比如size:[X,XL,XXL],那么就使用数值的映射{X:1,XL:2,XXL:3}

    在实际的机器学习的应用任务中，特征有时候并不总是连续值，有可能是一些分类值，如性别可分为“ male ”和“ female ”。在机器学习任务中，对于这样的特征，通常我们需要对其进行特征数字化，如下面的例子：

有如下三个特征属性：

• 性别：["male"，"female"]   # 所有可能取值，0,1  两种情况  
• 地区：["Europe"，"US"，"Asia"]    #0,1,2 三种情况
• 浏览器：["Firefox"，"Chrome"，"Safari"，"Internet Explorer"]  #0,1，2,3四种情况
• 所以样本的第一维只能是0或者1，第二维是0,1,2三种情况中的一种，第三维，是0,1,2,3四种情况中的一种。

对于某一个样本，如["male"，"US"，"Internet Explorer"]，我们需要将这个分类值的特征数字化，最直接的方法，我们可以采用序列化的方式：[0,1,3]。但是这样的特征处理并不能直接放入机器学习算法中。

二、One-Hot Encoding的处理方法

    对于上述的问题，性别的属性是二维的，同理，地区是三维的，浏览器则是思维的，这样，我们可以采用One-Hot编码的方式对上述的样本“["male"，"US"，"Internet Explorer"]”编码，“male”则对应着[1，0]，同理“US”对应着[0，1，0]，“Internet Explorer”对应着[0,0,0,1]。则完整的特征数字化的结果为：[1,0,0,1,0,0,0,0,1]。这样导致的一个结果就是数据会变得非常的稀疏。

三、实际的Python代码

from sklearn import preprocessing  
  
enc = preprocessing.OneHotEncoder()  
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])  #列表中代表四个样本
  
array = enc.transform([[0,1,3]]).toarray()  
  
print（array)  

结果：[[ 1.  0.  0.  1.  0.  0.  0.  0.  1.]]

理解： 也就是每一维有多少种情况就编码成0到 多少减一的数

[[0,0,3],[1,1,0],[0,2,1],[1,0,2]]

[0,0,3]  #表示是该样本是，male Europe Internet Explorer

[1,1,0] #表示是  female，us  Firefox

[0,2,1]#表示是 male  Asia Chrome

[1,0,2] #表示是 female Europe  Safari

摘自：https://blog.csdn.net/google19890102/article/details/44039761

具体参考：http://scikit-learn.org/stable/modules/preprocessing.html#encoding-categorical-features

此外也可以直接使用pandas 对数据进行onehot编码：

class_mapping中必须是set 否则就会对每一个属性编码，包括重复的属性。

如果直接使用get_dummies（df）则会为每一个唯一的属性值创建一列