OneHotEncoder

1、独热编码的优点

1. 能处理非连续型数值特征
2. 在一定程度上扩充了特征。如性别，经过one hot编码后，变成了男或女两个特征。

2、独热编码原理

使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值对用欧式空间的某个点。

将离散型特征使用One-hot编码，可以让特征之间的距离计算更加合理。我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。

如，有一个离散型特征，代表工作类型，该离散型特征共有三个取值，不使用one-hot编码，其表示分别是：

x_1=(1),x_2=(2)，x_3=(3)。

两个工作之间的距离是：

（x_1,x_2）=1,d(x_2,x_3)=1，d(x_1,x_3)=2.

那么x_1和x_3工作之间就越不相似吗？显然这样的表示，计算出来的特征的距离是不合理的。

如果使用one-hot编码，则得到：

x_1=(1,0,0），x_2=（0,1,0），x_3=(0,0,1)

那么两个工作之间的距离都是sqrt(2)。即每两个工作之间的距离都是一样的，显得更合理。

3、sklearn中的one-hot

代码示例：

import numpy as np
from sklearn.preprocessing import OneHotEncoder

enc=OneHotEncoder()
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])

print('enc.n_values_ is :',enc.n_values_)
print('enc.feature_indices_ is:',enc.feature_indices_)
print(enc.transform([[0,1,1]]).toarray())


运行结果：
enc.n_values_ is: [2 3 4]
enc.feature_indices_ is: [0 2 5 9]
[[ 1.  0.  0.  1.  0.  0.  1.  0.  0.]]

代码解释：

为OneHotEncoder类传递进来的数据集：

[[0,0,3],
[1,1,0],
[0,2,1],
[1,0,2]]

• 对象enc的n_values_成员变量，记录着每一个属性的最大取值数目，如本例第一个属性：0, 1, 0, 1 ⇒ 2，0, 1, 2, 0 ⇒ 3，3, 0, 1, 2 ⇒ 4；
• 即各个属性（feature）在 one hot 编码下占据的位数；
• 对象 enc 的 feature_indices_，则记录着属性在新 One hot 编码下的索引位置

• feature_indices_ 是对 n_values_ 的累积值，不过 feature_indices 的首位是 0；

进一步通过 fit 好的 one hot encoder 对新来的特征向量进行编码：

>>> enc.transform([[0, 1, 1]]).toarray()
array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])

• 前 2 位 1, 0，对 0 进行编码
• 中间 3 位 0, 1, 0 对 1 进行编码；
• 末尾 4 位 0, 1, 0, 0 对 1 进行编码；