对python 数据处理中的LabelEncoder 和 OneHotEncoder详解
简单来说 LabelEncoder 是对不连续的数字或者文本进行编号（连续的会是同一个编号）分类，但有排序逻辑关系，等级上高于定类。 比如，学历分小学，初中，高中，本科，研究生， 各个类别之间存在一定的逻辑，显然研究生学历是最高的，小学最低。 这时候使用Label encoding会显得更合适， 因为自定义的数字顺序可以不破坏原有逻辑，并与这个逻辑相对应。from sklearn.preprocessing import LabelEncoder le = LabelEncoder() le.fit([1,5,67,100]) le.transform([1,1,100,67,5]) 输出： array([0,0,3,2,1])#有顺序的OneHotEncoder 用于将表示分类的数据扩维： (one-hot encoding 独热编码（哑变量）)纯分类，不排序，没有逻辑关系。比如性别分男和女，男女不存在任何逻辑关系， 我们不能说男就比女好，或者相反from sklearn.preprocessing import OneHotEncoder ohe = OneHotEncoder() ohe.fit([[1],[2],[3],[4]]) ohe.transform([2],[3],[1],[4]).toarray() 输出：[ [0,1,0,0] , [0,0,1,0] , [1,0,0,0] ,[0,0,0,1] ]
One-Hot实际案例
————————————————————————————————————————
就拿上面的例子来说吧，性别特征：["男","女"]，按照N位状态寄存器来对N个状态进行编码的原理，咱们处理后应该是这样的（这里只有两个特征，所以N=2）：
男 => 10
女 => 01
祖国特征：["中国"，"美国，"法国"]（这里N=3）：
中国 => 100
美国 => 010
法国 => 001
运动特征：["足球"，"篮球"，"羽毛球"，"乒乓球"]（这里N=4）：
足球 => 1000
篮球 => 0100
羽毛球 => 0010
乒乓球 => 0001
所以，当一个样本为["男","中国","乒乓球"]的时候，完整的特征数字化的结果为：
[1，0，1，0，0，0，0，0，1]
下图可能会更好理解：
from sklearn import preprocessing
enc = preprocessing.OneHotEncoder()
enc.fit([[0,0,3],
[1,1,0],
[0,2,1],
[1,0,2]]) #这里一共有4个数据，3种特征
array = enc.transform([[0,1,3]]).toarray() #这里使用一个新的数据来测试
print array # 1 0 / 0 1 0 / 0 0 0 1