独热(One-Hot)编码简述

1.前言

今天看Colab上的代码的时候突然看到了这个概念，抱着好奇的心态学习了一下，挺基础也很重要的一个概念，5min左右就可以了解

2.什么是 one-hot 编码？

定义：

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，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。

看不懂么？看不懂很正常（看懂了我觉得不太正常hhh，下面通过举例子很好理解：

这里有三个特征：

性别特征：[‘女’, ‘男’]

国籍特征：[‘中国’, ‘美国’, ‘俄罗斯’, ‘英国’]

年龄特征：[18, 19, 20]

那么，我们现在表示一个20岁中国国籍的男生，那么他的特征为：[‘男’, ‘中国’, 20]，我们将特征数字化，即表示为：[1, 0, 2]，但是这样的特征放入 Machine Learning 中是不可以的，因为类别之间是无序的，针对这种情况，我们介绍 one-hot 编码：

对于性别特征，有两种取值：女/男，我们用 10(二进制) 表示女，用 01(二进制)表示男

对于国籍特征，有四种取值，我们用 1000(二进制)表示中国，0100(二进制)表示美国，0010(二进制)表示俄罗斯，0001(二进制)表示英国

对于年龄特征，有三种取值，我们用 100(二进制)表示18岁，010(二进制)表示19岁，001(二进制)表示20岁

故对于20岁中国国籍的男生，我们可以表示为：[011000001]，用下面这张图更能形象化理解：

3.Python 代码

下述代码在 Jupyter 上运行，没有安装过 Jupyter 的读者可以看博客：最详细的Anaconda Installers 的安装【numpy，jupyter】（图+文）

from sklearn import preprocessing  
   
enc = preprocessing.OneHotEncoder()         # 调用OneHotEncoder()
enc.fit([[0, 2, 2],
         [1, 1, 4],
         [1, 0, 1],
         [0, 1, 3]])  # 提供训练数据：4个数据，3种特征
   
array = enc.transform([[0,1,3]]).toarray()  # 测试，随便输入一个新数据去测试
   
array   # 独热编码结果:[[1., 0., 0., 1., 0., 0., 0., 1., 0.]]