独热编码-小白理解

01 举例引入

假设我们有一群学生，他们可以通过四个特征来形容，分别是：

• 性别：[“男”，“女”]
• 年级：[“初一”，“初二”，“初三”]
• 学校：[“一中”，“二中”，“三中”，“四中”]

举个例子，用上述四个特征来描述小明同学，即“男生，初一，来自二中”，用独热编码的形式来表示，我们用采用N位状态寄存器来对N个状态进行编码，拿上面的例子来说，就是：

性别	[“男”，“女”]	N=2	男：1 0 女：0 1
年级	[“初一”，“初二”，“初三”]	N=3	初一：1 0 0 初二：0 1 0 初三：0 0 1
学校	[“一中”，“二中”，“三中”，“四中”]	N=4	一中：1 0 0 0 二中：0 1 0 0 三中：0 0 1 0 四中：0 0 0 1

   因此，当我们再来描述小明的时候，就可以采用  [ 1 0 1 0 0 0 1 0 0 ] 。

02  数字表示

（1）给出数字数据集如下：

0	0	3
1	1	0
0	2	1
1	0	2

这里一共有四个数据，三种特征。是哪四个呢，我们列出矩阵

	第一种	第二种	第三种
第一个	0	0	3
第二个	1	1	0
第三个	0	2	1
第四个	1	0	2

  那么，对于（0，1，3）这个特征向量如何进行独热编码呢？

我们竖着看数据集，可以看出第一种特征中只有0、1两类，第二组有0、1、2三类，第三种有0、1、2、3四类，因此分别可以用2、3、4个状态类来表示。

在（0，1，3）中，

第一个数为0，对应第一种特征则为 1 0；

第二个数为1，对应第二种特征则为 0 1 0；

第三个数为3，对应第三种特征则为 0 0 0 1。

注意：这里的3编码为 0 0 0 1，而非 1 0 0 0。

 使用python编程验证 ：

# 创建一个 OneHotEncoder 对象
encoder1 = preprocessing.OneHotEncoder()
# 拟合并进行编码
encoder1.fit([[0,0,3], [1,1,0], [0,2,1], [1,0,2]]) 
# 对指定数据进行编码
encoded_vector1 = encoder1.transform([[0,1,3]]).toarray() 
# 打印编码后的向量
print ("\nEncoded vector1 =", encoded_vector1)

输出结果：

Encoded vector1 = [[1. 0. 0. 1. 0. 0. 0. 0. 1.]]

即：

（0，1，3）	0	1	3
独热编码	10	010	0001

（2）再给出一组数据集：

0	2	1	12
1	3	5	3
2	3	2	12
1	2	4	3

我们进行（2，3，5，3）的独热编码。

使用python编程如下：

# 创建一个 OneHotEncoder 对象
encoder = preprocessing.OneHotEncoder()
# 拟合并进行编码
encoder.fit([[0, 2, 1, 12], [1, 3, 5, 3], [2, 3, 2, 12], [1, 2, 4, 3]]) 
# 对指定数据进行编码
encoded_vector = encoder.transform([[2, 3, 5, 3]]).toarray() 
# 打印编码后的向量
print ("\nEncoded vector =", encoded_vector)

运行后结果如下：

Encoded vector = [[0. 0. 1. 0. 1. 0. 0. 0. 1. 1. 0.]]

即：

（2，3，5，3）	2	3	5	3
独热编码	001	01	0001	10

这个结果又是如何得出的呢？

可以简单理解为对每组纵向数据先进行了排序，

如第三种中，本来的（1，5，2，4），换成（1，2，4，5），

所以，1对应1000，2对应0100，4对应0010，5对应0001。

同理，在第四种里，3对应10，12对应01。

至此，应该可以理解如何进行独热编码了。