OneHotEncoder、LabelEncoder、get_dummies的编码

在数据中涉及到分类变量时会将字符串进行编码，编码的方式有很多，话不多说，直接上菜。

1. OneHotEncoder

onehot编码，将分类特征转化成one-hot数组。以iris数据为例。

from sklearn.datasets import load_iris
import pandas as pd
import numpy as np
iris = load_iris()
X,y = iris.data,iris.target
id_to_category = dict(zip(np.arange(iris.target_names.shape[0]),iris.target_names))
df_data = pd.DataFrame(X,columns=iris.feature_names)
df_data['target'] = pd.Series(y).map(id_to_category)
print("数据:")
print(df_data.head())

from sklearn.preprocessing import OneHotEncoder
onehot = OneHotEncoder(handle_unknown='ignore')
onehot_enc = onehot.fit_transform(df_data[['target']]).todense()
print("Categoty:",onehot.categories_)
print('*'*50)
print(onehot_enc[:5])
print('*'*50)
print(df_data['target'][:5])

2. LabelEncoder

LabelEncoder将目标标签转化成0-class-1。

from sklearn.datasets import load_iris
import pandas as pd
import numpy as np
iris = load_iris()
X,y = iris.data,iris.target
id_to_category = dict(zip(np.arange(iris.target_names.shape[0]),iris.target_names))
df_data = pd.DataFrame(X,columns=iris.feature_names)
df_data['target'] = pd.Series(y).map(id_to_category)
print("数据:")
print(df_data.head())

import warnings
warnings.filterwarnings('ignore')
from sklearn.preprocessing import LabelEncoder
label_enc = LabelEncoder()
label_encoder = label_enc.fit_transform(df_data[['target']])
print("类别标签：",label_enc.classes_)
print('*'*50)
print("Label Encoder:")
print(label_encoder)

3. get_dummies

pandas.get_dummies将数据中标签作为列名，与one-hot编码类似。

from sklearn.datasets import load_iris
import pandas as pd
import numpy as np
iris = load_iris()
X,y = iris.data,iris.target
id_to_category = dict(zip(np.arange(iris.target_names.shape[0]),iris.target_names))
df_data = pd.DataFrame(X,columns=iris.feature_names)
df_data['target'] = pd.Series(y).map(id_to_category)
print("原始数据:")
print(df_data['target'].head(5))
get_dummy = pd.get_dummies(df_data['target'])
print('*'*50)
print('get_dummies encode')
print(get_dummy.head(5))

在数据挖掘时，使用OneHotEncoder和LabelEncoder可以完成get_dummies的过程，相对来说get_dummies的效率更高，更方便。
在机器学习中，一般使用OneHotEncoder或LabelEncoder，可以应对未知的类别。
当然也有其他的方法，如numpy.where,Binarizer等。