特征向量化之one-hot(独热编码)

特征向量化之one-hot(独热编码)

one-hot编码，又称独热编码、一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位。例如：

import pandas as pd
import numpy as np

data=pd.DataFrame({'feature_1':[1,2,3,4,5],
                   'feature_2':['a','b','a','b','a']})
data

	feature_1	feature_2
0	1	a
1	2	b
2	3	a
3	4	b
4	5	a

上述数据中有两个特征，其中特征二有两个类别:a和b，在进行特征处理中，如果我们将a和b量化，但是a和b又是两个不相关的类别，那么分类器就会默认a和b之间是有顺序的。这样影响。如果我们将feature_2中的a,b对应两种状态，1 代表处于这种状态，0代表不处于这种状态。那么第一个样本中的特征二可以表示为{1 0},第二样本的特征二就表示为{0,1}。于是特征二被向量化，映射到欧式空间中的一个点。相当于增加了特征，对于根据距离来进行分类的分类器，会提高分类器的鲁棒性。但是像决策树、随机森林这样的算法来就意义不大，相当于增加了树的深度。

我们可以利用pandas中的get_dummies()函数来进行one-hot编码

tmpdf=pd.get_dummies(data['feature_2'],prefix='feature_2')
tmpdf

	feature_2_a	feature_2_b
0	1	0
1	0	1
2	1	0
3	0	1
4	1	0

# 添加进数据集
data=data.join(tmpdf)
data

	feature_1	feature_2	feature_2_a	feature_2_b
0	1	a	1	0
1	2	b	0	1
2	3	a	1	0
3	4	b	0	1
4	5	a	1	0