使用Pandas进行独热（One-Hot）编码的理解

Series

编码过程

将vec看作为一个变量的4次抽样得到向量：

1. 查看该变量可以取几种值 num = len(set(vec))，这里num=3；最终的编码结果用num位表示，这里用3为表示：xxx；
2. 变量的不同取值按自然顺序(数字大小，字母先后)进行排序：seq = sorted(set(vec))；
3. 取每次抽样的取值，放到第二步得到的序列中，看该值在序列的哪一位相同，就将该位设置为1，其余的设置为0.

代码示例

import pandas as pd

if __name__ == '__main__':
    # vec = ('c', 'a', 'b', 'a')
    vec = list('caba')
    s = pd.Series(vec)

    print(pd.get_dummies(s))

运行结果

DataFrame

编码过程

将matrix看作3个变量的4次抽样——每列代表一个变量，每行是对3个变量的一次抽样：

1. 列举每个变量的抽样的不同取值，将其按自然顺序排序后，按变量出现的次序进行拼接得到序列；
2. 遍历矩阵行，行中出现了哪些值，就将上步得到的序列的相应位置记为1，其余位置记为0.

代码示例

import pandas as pd

if __name__ == '__main__': 
    matrix= [list('abc'), list('bdc'), list('bac'), list('acc')]
    df = pd.DataFrame(matrix)

    print(pd.get_dummies(df))

运行结果