sklearn.preprocessing.OneHotEncoder

1.概要

sklearn中的OneHotEncoder函数，可以将分类特征的每个元素转换为一个可以用来计算的值。

2. 解析

函数sklearn.preprocessing.OneHotEncoder，格式为：

OneHotEncoder(n_values=’auto’,  categorical_features=’all’,  dtype=<class ‘numpy.float64’>,  sparse=True,  handle_unknown=’error’)

方便理解，举例如下：

from sklearn.preprocessing import  OneHotEncoder

enc = OneHotEncoder()
enc.fit([[0, 0, 3],
         [1, 1, 0],
         [0, 2, 1],
         [1, 0, 2]])

ans = enc.transform([[0, 1, 3]]).toarray()  # 如果不加 toarray() 的话，输出的是稀疏的存储格式，即索引加值的形式，也可以通过参数指定 sparse = False 来达到同样的效果
print(ans) 


# 输出 [[ 1.  0.  0.  1.  0.  0.  0.  0.  1.]]

下面解释输出结果的意思。对于输入数组，依旧是把每一行当做一个样本，每一列当做一个特征。

第一个特征，即第一列[0,1,0,1]，也就是说它有两个取值0或者1，那么one-hot就会使用两位来表示这个特征，[1,0]表示0，[0,1]表示1。在上例的输出结果中[[ 1. 0. 0. 1. 0. 0. 0. 0. 1.]]前两位表示该特征为0。

第二个特征，第二列[0,1,2,0]，它有三种值，那么one-hot就会使用三位来表示这个特征，[1,0,0]表示0，[0,1,0]表示1，[0,1,1]表示2，在上例输出结果中[[ 1. 0. 0. 1. 0. 0. 0. 0. 1.]]的第三位到第五位表示该特征为1。

第三个特征，第三例[3,0,1,2]，它有四种值，那么one-hot就会使用四位来表示这个特征，[1,0,0,0]表示为0，[0,1,0,0]表示为1，[0,0,1,0]表示为2，[0,0,0,1]表示为3，在上例输出结果中[[ 1. 0. 0. 1. 0. 0. 0. 0. 1.]]的最后四位表示该特征为3。

注意：虽然训练样本中的数值仅仅代表类别，但是也必须使用数值格式的数据，如果使用字符串格式的数据会报错。

参数的意义：

n_values='auto'：表示每个特征使用几维由数据集自动推断，即几种类别就使用几位来表示。

当然也可以自己指定。举例：

from sklearn.preprocessing import  OneHotEncoder

enc = OneHotEncoder(n_values = [2, 3, 4])
enc.fit([[0, 0, 3],
         [1, 1, 0]])

ans = enc.transform([[0, 2, 3]]).toarray()
print(ans)


# 输出 [[ 1.  0.  0.  0.  1.  0.  0.  0.  1.]]

注意到训练样本中第二个特征列没有类别2，但是结果依然将类别2给编码了出来，这就是自己指定维数的作用（我们使用3位来表示第二个特征，自然包括了类别2），第三列特征同样如此。这也告诫我们，如果训练样本中有丢失的分类特征值，我们就必须显示的设置参数n_value了，这样防止编码出错。

categorical_features='all'：这个参数指定对哪些特征进行编码，默认对所有类别都进行编码。

也可以自己指定选择哪些特征，通过索引或者bool值来指定。举例：

from sklearn.preprocessing import  OneHotEncoder

enc = OneHotEncoder(categorical_features = [0,2]) # 等价于 [True, False, True]
enc.fit([[0, 0, 3],
         [1, 1, 0],
         [0, 2, 1],
         [1, 0, 2]])

ans = enc.transform([[0, 2, 3]]).toarray()
print(ans) 


# 输出 [[ 1.  0.  0.  0.  0.  1.  2.]]

输出结果中前两位[1,0]表示0，中间四位[0,0,0,1]表示对第三个特征3编码，第二个特征2没有进行编码，就放在最后一位。

dtype=<class 'numpy.float64'>：表示编码数值格式，默认为浮点型。

sparse=True：表示编码的格式，默认为True，稀疏的格式，指定False就不用toarray()了。

handle_unknown='error'：其值可以为‘error’或'ignore'，即如果碰到未知的类别，是返回一个错误还是忽略。

来自：https://www.cnblogs.com/zhoukui/p/9159909.html