独热编码(One-Hot Encoding)

【概念】

One-hot encoding是只存在一个1其余全为0的n位序列。也可以称它为二元向量，二元就是里面只有0和1.通常被用来描述一个状态机的某个状态。

【用处】

用于处理离散型特征。通过将离散特征通过one-hot编码映射到欧式空间，可以进一步计算特征之间的距离与相似度，然后在回归，分类，聚类等机器学习算法中使用。至于什么是离散型数据，欧式空间，特征距离和特征相似度，请同学自行学习，这里不做展开。

【应用】

在机器学习中，我们需要将用来训练的数据样本集合分类，转换成程序能够理解的向量。

比如我手里有三个图像样本，要识别出图片里的内容，其中包含三个维度，分别是
{
‘sex’:[“male”, “female”],
‘hair’:[‘short’,’long’,’bare’],
‘hair color’:[‘black’,’gold’,’blue’]
}

样本集合如下：

id	sex	hair	hair color
1	male	short	black,gold
2	female	long	black,blue
3	male	short	gold
4	male	bare	black

注意：hair color这栏存在多个值的原因在于，这个人可能染了一部分头发。其他维度也同理，没准图片中有几个人，好多美女。

【代码】

下面是scikit-learn docs提供的代码示例：

>>> from sklearn.preprocessing import OneHotEncoder
>>> enc = OneHotEncoder()
# 这里有四个样本，三个维度
>>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])  
OneHotEncoder(categorical_features='all', dtype=<... 'numpy.float64'>,
       handle_unknown='error', n_values='auto', sparse=True)
#fit函数算了下3个维度各自的值个数，第一列是[0,1,0,1]只有两个值，第二列是[0,1,2,0]故有三个值，第三列同上。
>>> enc.n_values_
array([2, 3, 4])
# 待理解，大致是0，2， 2+3， 2+3+4
>>> enc.feature_indices_
array([0, 2, 5, 9])

#转换序列，0 -> [1，0],为啥0不是[0,1]，这是函数分的，应该是有优化，不用在意。
#        1 -> [0,1,0]
#        1 -> [0,1,0,0]
>>> enc.transform([[0, 1, 1]]).toarray()
array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])