关于one-hot编码的sklearn.preprocessing import OneHotEncoder的补充知识

今天学到one-hot编码

发现了一些以前one-hot编码的问题，现在补充一下：

关于one-hot编码的原理就不再说了，大家看其他的博文，
下面引入例子：
在机器学习算法中，我们经常会遇到分类特征，例如：人的性别有男女，祖国有中国，美国，法国等。
这些特征值并不是连续的，而是离散的，无序的。通常我们需要对其进行特征数字化。
那什么是特征数字化呢？例子如下：
性别特征：[“男”，“女”]
祖国特征：[“中国”，"美国，“法国”]
运动特征：[“足球”，“篮球”，“羽毛球”，“乒乓球”]
假如某个样本（某个人），他的特征是这样的[“男”,“中国”,“乒乓球”]，我们可以用 [0,0,4] 来表示，但是这样的特征处理并不能直接放入机器学习算法中。因为类别之间是无序的（运动数据就是任意排序的）。

One-Hot实际案例

就拿上面的例子来说吧，性别特征：[“男”,“女”]，按照N位状态寄存器来对N个状态进行编码的原理，咱们处理后应该是这样的（这里只有两个特征，所以N=2）：
男 => 10
女 => 01
祖国特征：[“中国”，"美国，“法国”]（这里N=3）：
中国 => 100
美国 => 010
法国 => 001
运动特征：[“足球”，“篮球”，“羽毛球”，“乒乓球”]（这里N=4）：
足球 => 1000
篮球 => 0100
羽毛球 => 0010
乒乓球 => 0001
所以，当一个样本为[“男”,“中国”,“乒乓球”]的时候，完整的特征数字化的结果为：
[10,00,100,000,000,0000,0000,0000,0001]
简写为：
[1，0，1，0，0，0，0，0，1]
以上来源于原文：https://blog.csdn.net/wxystyle/article/details/80729741
之后举One-Hot在python中的使用例子

from sklearn import preprocessing  
   
enc = preprocessing.OneHotEncoder()  
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])  #这里一共有4个数据，3种特征
   
array = enc.transform([[0,1,3]]).toarray()  #这里使用一个新的数据来测试
   
print array   # [[ 1  0  0  1  0  0  0  0  1]]

enc.n_values_ is: [2 3 4]
enc.feature_indices_ is: [0 2 5 9]
可是自己试验换一个数据fit一下出现的结果却不同了

import numpy as np
from sklearn.preprocessing import OneHotEncoder

enc = OneHotEncoder()
cc = [[0,0,3],[1,1,0],[0,2,1]]
enc.fit(cc)
print ("enc.n_values_ is:",enc.n_values_)
print ("enc.feature_indices_ is:",enc.feature_indices_)
enc.transform([[0,1,3]]).toarray()

结果为
enc.n_values_ is: [2 3 4]
enc.feature_indices_ is: [0 2 5 9]
array([[1., 0., 0., 1., 0., 0., 0., 1.]])
应用同样的编码，为什么例子中是9位数据 [[ 1 0 0 1 0 0 0 0 1]]，而我的测试结果是8位数据[[1., 0., 0., 1., 0., 0., 0., 1.]]，看了一下结果提示

c:\Users\ada\Anaconda3\lib\site-packages\sklearn\preprocessing\_encoders.py:371: FutureWarning: The handling of integer data will change in version 0.22. Currently, the categories are determined based on the range [0, max(values)], while in the future they will be determined based on the unique values.
If you want the future behaviour and silence this warning, you can specify "categories='auto'".
In case you used a LabelEncoder before this OneHotEncoder to convert the categories to integers, then you can now use the OneHotEncoder directly.
  warnings.warn(msg, FutureWarning)

说应用了新的分类形式，
所以
[[0,0,3],[1,1,0],[0,2,1]] --的特征编码为10 ，01 100,010,001， 100，010,001
（因为第三列为，3,0，1也是三个特征，但是按照4个特征来算range [0, max(values)],编码的时候却是三个）所以得到的结果是8位的数 [[1., 0., 0., 1., 0., 0., 0., 1.]]不是9位。
但是又会问，如果测试数据是
enc.transform([[0,1,3]，[0,1,2]).toarray(),第三位没有2的表示，怎么办呢？系统中是用000表示没有的数据的
测试内容

import numpy as np
from sklearn.preprocessing import OneHotEncoder

enc = OneHotEncoder()
cc = [[0,0,3],[1,1,0],[0,2,1]]
#ccc = np.reshape(cc,[-1,1]) 
enc.fit(cc)
print ("enc.n_values_ is:",enc.n_values_)
print ("enc.feature_indices_ is:",enc.feature_indices_)
enc.transform([[0,1,3],[0,1,2]]).toarray()

结果

enc.n_values_ is: [2 3 4]
enc.feature_indices_ is: [0 2 5 9]
array([[1., 0., 0., 1., 0., 0., 0., 1.],
       [1., 0., 0., 1., 0., 0., 0., 0.]])

其中的2用000表示的。
上面的我对one-hot的补充，不知道对不对，请大家提出意见