hot编码 字符one_几种实现one-hot编码的方式

####方法1 之前写使用sklearn进行数据挖掘-房价预测(4)—数据预处理一文中处理标签类特征时候已经提到过，使用sklearn中提供的LabelEncoder和OneHotEncoder方法

a = ['A','B','A','C']

from sklearn.preprocessing import OneHotEncoder,LabelEncoder

label_value = label_encoder.fit_transform(a)

>>label_encoder.classes_

array(['A', 'B', 'C'], dtype='

>>label_value

array([0, 1, 0, 2], dtype=int64)

encoder = OneHotEncoder()

>>one_hot.toarray()

[[ 1. 0. 0.]

[ 0. 1. 0.]

[ 1. 0. 0.]

[ 0. 0. 1.]]

####方法2 sklearn提供的简单方法，上面两步可以合并为一步

from sklearn.preprocessing import LabelBinarizer

encoder = LabelBinarizer()

one_hot = encoder.fit_transform(a)

>>one_hot

array([[1, 0, 0],

[0, 1, 0],

[1, 0, 0],

[0, 0, 1]])

###方法3 这次需要隆重介绍的是这个方法，在TensorFlow代码中看到一个转为one-hot的实现，方法比较的独特，里面一些numpy方法自己之前也没有接触过，就摘抄下来，反复背诵并默写 =。=

def dense_to_one_hot(labels_dense, num_classes):

"""Convert class labels from scalars to one-hot vectors."""

num_labels = labels_dense.shape[0]

index_offset = np.arange(num_labels) * num_classes

labels_one_hot = np.zeros((num_labels, num_classes))

labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1

return labels_one_hot