独热向量编码（one-hot encoding）原理详解与实现

独热编码

独热编码通常用于处理类别间不具有大小关系的特征。

例如：特征：血型，一共有四种类别（A,B,AB,O），采用独热编码后，会把血型变成有一个4维的稀疏向量，

A表示为（1,0,0,0）
B表示为（0,1,0,0）
AB表示为（0,0,1,0）
O表示为（0,0,0,1）

有几个类别，就会生成几维的稀疏向量。

实现

• OneHotEncoder()
• pandas.get_dummies()
• keras.utils.to_categorical

在sklear中实现：

import numpy as np
from sklearn.preprocessing import OneHotEncoder  

data = np.array([['A'],['B'],['A'],['AB'],['O'],['B'],['AB']])   # 假如就是血型的特征

ohe = OneHotEncoder()     # 初始化独热编码
ohe.fit_transform(data).toarray()   # 拟合

输出：
array([[1., 0., 0., 0.],
       [0., 0., 1., 0.],
       [1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 0., 1.],
       [0., 0., 1., 0.],
       [0., 1., 0., 0.]])

在pandas中实现：

import pandas as pd

data = ['A','B','AB','O']
oht = pd.get_dummies(data)   # 通过pandas中的get_dummies获取独热向量编码

输出：
	A	AB	B	O
0	1	0	0	0
1	0	0	1	0
2	0	1	0	0
3	0	0	0	1

在Keras中的实现

import keras

data = [0, 1, 2, 3]
data_one_hot = keras.utils.to_categorical(data)
print(data_one_hot)

输出：
[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]

# 利用numpy.argmax可以将one-hot转化为稀疏标签
data_re = np.argmax(data_one_hot,axis=1)
print(data_re)

输出：
[0 1 2 3]