【机器学习】Sklearn独热编码one hot 编码preprocessing.OneHotEncoder()使用

在很多机器学习任务中，特征并不总是连续值，而有可能是分类值,下面进行实例说明。

import pandas as pd  
df = pd.DataFrame([  
            ['green', 'M', 10.1, 'class1'],   
            ['red', 'L', 13.5, 'class2'],   
            ['blue', 'XL', 15.3, 'class1']],columns = ['color', 'size', 'prize', 'class label']) 
print(df)
'''
   color size  prize class label
0  green    M   10.1      class1
1    red    L   13.5      class2
2   blue   XL   15.3      class1
'''

如果将上述特征用数字表示，效率会高很多。

例如：‘class1’：1，’class2’:2

但是，即使转化为数字表示后，上述数据也不能直接用在我们的分类器中。因为，分类器往往默认数据数据是连续的，并且是有序的。但是，按照我们上述的表示，数字并不是有序的，而是随机分配的。

为了解决上述问题，其中一种可能的解决方法是采用独热编码（One-Hot Encoding）。

独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用N位状态寄存器来对N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，其中只有一位有效。

可以这样理解，对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。因此，数据会变成稀疏的。

这样做的好处主要有：

解决了分类器不好处理属性数据的问题

在一定程度上也起到了扩充特征的作用

from sklearn import preprocessing
#导入数据处理模块，并生成one_hot()编码函数
enc = preprocessing.OneHotEncoder()
#使用上一步的数据进一步编码
print(df['prize'].values.reshape(-1,1))

enc.fit(df['prize'].values.reshape(-1,1))

one_v = enc.transform([[13]]).toarray()
print(one_v)