其他分享
首页 > 其他分享> > sklearn.preprocessing.OneHotEncoder

sklearn.preprocessing.OneHotEncoder

作者:互联网

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

标签:表示,enc,特征,OneHotEncoder,preprocessing,ans,sklearn
来源: https://www.cnblogs.com/keye/p/14777848.html