sklearn数值特征离散值处理3: One-hot Encoding

最新推荐文章于 2020-08-10 00:26:54 发布
最新推荐文章于 2020-08-10 00:26:54 发布
阅读量1k 收藏 3
点赞数 2
分类专栏： # sklearn数据预处理 文章标签： sklearn LabelEncoder OneHotEncoder 数值特征 离散值处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sanjianjixiang/article/details/103003843
版权
本文详细介绍了如何使用sklearn库中的LabelEncoder和OneHotEncoder工具，对数值特征中的离散值进行处理，实现One-hot编码。这种方法在机器学习预处理阶段尤为重要，能够将非数值类别数据转换为可用于模型训练的格式。
摘要由CSDN通过智能技术生成 
import numpy as np
import pandas as pd
poke_df = pd.read_csv('Pokemon.csv', encoding='utf-8')
poke_df[['Name', 'Generation', 'Legendary']].iloc[4:10]

在这里插入图片描述

from sklearn.preprocessing import LabelEncoder

gen_le = LabelEncoder()
gen_labels = gen_le.fit_transform
最低0.47元/天 解锁文章
弎见
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
特征工程之One-Hot编码、label-encoding、自定义编码
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
01-26 5286
目录 One-Hot编码 代码实现 One-Hot编码优缺点 One-Hot编码使用场景 归一化适用场景 label encoding 代码实现 One-Hot与label encoding对比 自定义编码 利用字典编码 自定义函数 每文一语 One-Hot编码 到目前为止，表示分类变量最常用的方法就是使用 one-hot 编码（one-hot-encoding）或N 取一编码（one-out-of-N encoding）， 也叫虚拟变量（dummy variable）。 虚拟变
数据处理与特征工程：One-Hot Encoder独热编码、Label Encoder标签编码、Binary Encoder二进制编码
陈宸的博客
05-27 3411
目录 一OneHotEncoder独热编码 1.1 OneHotEncoder独热编码原理 2.1. 为什么要独热编码OneHotEncoder？ 2.3 独热编码优缺点 2.4什么情况下(不)用独热编码？ 2.5 什么情况下(不)需要归一化？ 二 Label Encoder标签编码 三、Binary Encoder二进制编码 首先了解机器学习中...
美国人口普查数据预测收入sklearn算法汇总2: 特征编码, 特征选择, 降维, 递归特征消除
sanjianjixiang的博客
12-09 2615
接<美国人口普查数据预测收入sklearn算法汇总1: 了解数据以及数据预处理> 六. 对特征进行编码 pd.get_dummies() one_hot_cols = dataset_bin.columns.drop('predclass') dataset_bin_enc = pd.get_dummies(dataset_bin, columns=one_hot_cols) pr...
基于sklearn 的one hot encoding
bitcarmanlee的博客
05-21 3万+
1.one hot编码的由来在实际的应用场景中，有非常多的特征不是连续的数值变量，而是某一些离散的类别。比如在广告系统中，用户的性别，用户的地址，用户的兴趣爱好等等一系列特征，都是一些分类值。这些特征一般都无法直接应用在需要进行数值型计算的算法里，比如CTR预估中最常用的LR。那针对这种情况最简单的处理方式是将不同的类别映射为一个整数，比如男性是0号特征，女性为1号特征。这种方式最大的优点就是简单粗
sklearn preprocessing 数据预处理（OneHotEncoder）
05-28 2万+
hot encoder 不仅对 label 可以进行编码，还可对 categorical feature 进行编码：
sklearn_onehot编码与pandas中的onehot编码处理方式
WxyangID的博客
05-05 7539
一、One-Hot Encoding    One-Hot编码，又称为一位有效编码，主要是采用位状态寄存器来对个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。离散特征的编码分为两种情况：1、离散特征的取值之间没有大小的意义，比如color：[red,blue],那么就使用one-hot编码2、离散特征的取值有大小的意义，比如size:[X,XL,XXL],那么就使用数值的...
所涉及到的几种 sklearn 的二值化编码函数：OneHotEncoder(), LabelEncoder(), LabelBinarizer(), MultiLabelBinarizer()
知之可否
02-14 1万+
转自http://blog.csdn.net/haramshen/article/details/53169963 所涉及到的几种 sklearn 的二值化编码函数：OneHotEncoder(), LabelEncoder(), LabelBinarizer(), MultiLabelBinarizer() 1.代码块 import pandas as pd from sklear
sklearn数值特征离散值处理4: get_dummies()
sanjianjixiang的博客
11-11 958
import pandas as pd poke_df = pd.read_csv('Pokemon.csv', encoding='utf-8') poke_df[['Name','Generation']].iloc[4:10] gen_dummy_features = pd.get_dummies(poke_df['Generation'], drop_first=True) #去掉第...
回归模型中的离散型特征编码方式-----Dummy Coding对比One-hot encoding
xiaohutong1991的专栏
08-10 5582
一、哑变量定义 哑变量（DummyVariable），也叫虚拟变量，引入哑变量的目的是，将不能够定量处理的变量量化，在线性回归分析中引入哑变量的目的是，可以考察定性因素对因变量的影响，它是人为虚设的变量，通常取值为0或1，来反映某个变量的不同属性。对于有n个分类属性的自变量，通常需要选取1个分类作为参照，因此可以产生n-1个哑变量。如职业、性别对收入的影响，战争、自然灾害对GDP的影响，季节对某些产品（如冷饮）销售的影响等等。这种“量化”通常是通过引入“哑变量”来完成的。根据这些因素的属性类型，构造只取“
sklearn中的几种二值化编码函数：OneHotEncoder, LabelEncoder , LabelBinarizer
mike_jun的博客
07-19 5274
1.自定义一些简单的数据集 定义3个特征， age 和 salary 都是数值型， pet 是字符串型 #coding=gbk #几种sklearn 中的二值化编码函数， import pandas as pd import numpy as np from sklearn.preprocessing import OneHotEncoder from sklearn.preprocessi...
sklearn数值特征离散值处理2: Map
sanjianjixiang的博客
11-10 831
import numpy as np import pandas as pd poke_df = pd.read_csv('Pokemon.csv', encoding='utf-8') poke_df.head(10) # 随机抽样 poke_df = poke_df.sample(random_state=1, frac=1).reset_index(drop=True) # pandas...
预处理数据的方法总结（使用sklearn-preprocessing）
lxmzxl的博客
08-26 470
参考博客https://blog.csdn.net/sinat_33761963/article/details/53433799
pandas使用get_dummies进行one-hot编码
热门推荐
lujiandong1的专栏
10-17 8万+
离散特征的编码分为两种情况： 1、离散特征的取值之间没有大小的意义，比如color：[red,blue],那么就使用one-hot编码 2、离散特征的取值有大小的意义，比如size:[X,XL,XXL],那么就使用数值的映射{X:1,XL:2,XXL:3} 使用pandas可以很方便的对离散型特征进行one-hot编码 import pandas as pd df = pd.DataFra
特征提取之文本特征：one-hot和 TF-IDF方法（sklearn实现）
给我一点温度
08-08 3813
目录 1. one-hot 1.1 one-hot 编码 1.2 one-hot 在提取文本特征上的应用 优缺点分析 sklearn 实现 one hot encode 2. TF-IDF 优缺点分析 sklearn 实现 tfidf one-hot和TF-IDF 是目前最为常见的用于提取文本特征的方法，本文主要介绍两种方法的思想以及优缺点。 1. one-hot 1.1 o...
数据挖掘十大算法（一）：决策树算法 python和sklearn实现
昆兰.沃斯 的博客
08-04 3万+
学完到第三章——决策树，python代码实现的仅是ID3算法，sklearn为优化过的C4.5，这里做一个详细的总结包括（原理、代码、可视化、scikit-learn实现），皆为亲自实践后的感悟。以下进入正文。 早前简单了解了决策树的原理，然后为了尽快使用便没有深究直接使用sklearn实现，虽然sklearn使用起来极其极其的方便，但是我还是想理解到其中的代码实现机制以及一些数学知识，所以在《...
sklearn连续型数据离散化
weixin_30456039的博客
11-30 1742
二值化 设置一个condition，把连续型的数据分类两类。比如Age，大于30，和小于30。 from sklearn.preprocessing import Binerize as Ber x = data_2.iloc[:,0].values.reshpe(-1,1) #提取数据 trans = Ber(threshold = 30).fit_transform(x) trans 这是x中...
特征编码方法-OneHotEncoding
huobumingbai1234的博客
12-11 2973
对于一些特征工程方面，有时会用到LabelEncoder和OneHotEncoder。 一、为什么需要这种编码方式 在实际的机器学习的应用任务中，特征有时候并不总是连续值，有可能是一些分类值，如性别可分为“male”和“female”，如果我们用简单的0,1代替就会有问题，因为男女之间不存在大小关系。 二. 为什么使用one-hot编码来处理离散型特征? 1.使用on...
l利用sklearn进行One-Hot转换
qq_23589775的博客
11-17 4104
3.One-Hot Encode with scikit-learn： 在这个例子中，我们假设你有一个输出序列如下3个标签： Cold，warm，hot 10个时间序列的示例顺序可以是： Cold，cold，warm，cold，hot，hot，warm，cold，warm，hot 这将首先需要一个整数编码，如1，2，3，然后是整数到one hot编码具有3个值的二进制向量，例如[1,0,0]。 这...
one-hot encoding
最新发布
07-15
One-hot encoding是一种用于处理分类变量（categorical variable）的编码技术。在机器学习和数据分析中，我们通常需要将分类变量转换为数值表示，以便在模型训练和分析中使用。 一般来说，分类变量包含有限的离散取值，例如性别（男、女）、颜色（红、绿、蓝）等。而算法通常基于数值计算，无法直接处理这些离散的分类变量。 One-hot encoding的基本思想是为每个可能的取值创建一个新的二进制列（或称为“虚拟变量”），其中只有一个二进制位被设置为1，表示当前的取值。对于原始的分类变量，如果它有n个不同取值，那么通过One-hot encoding后就会生成n个新的二进制列。 例如，对于一个性别变量，原始取值为{"男"，"女"}，经过One-hot encoding后会生成两个新的列："性别_男"和"性别_女"。对于每一行数据，如果原始值是"男"，那么"性别_男"列为1，"性别_女"列为0；如果原始值是"女"，那么"性别_男"列为0，"性别_女"列为1。 通过One-hot encoding，我们将分类变量转换为了数值表示，可以更好地应用于机器学习算法中，同时保留了原始分类变量的信息。在使用One-hot encoding时，需要注意避免“虚拟变量陷阱”（dummy variable trap），即避免引入冗余的编码列，以免干扰模型的训练和解释。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值