什么是独热编码

(资料图片仅供参考)

One-Hot编码，又称为一位有效编码，主要是采用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。

我们用如下案例来理解独热编码：

性别特征：["男"，"女"]

祖国特征：["中国"，"美国，"法国"]

运动特征：["足球"，"篮球"，"羽毛球"，"乒乓球"]

怎么转化成独热码呢？

用独热码来表示就是

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]

知识点

OneHotEncoder(categories='auto', sparse='True', dtype='float')

参数说明：

1、categories：默认’auto’，根据根据训练数据自动确认类别；默认数组的列表，categories[i]保存第 i 列中预期的类别。传递的类别不应在单个特征中混合字符串和数值，并且应在数值的情况下进行排序。使用的类别可以在categories_属性中找到。

2、sparse：默认为True，如果设置为 True 将返回稀疏矩阵，否则将返回一个数组。

3、dtype：默认为float，所需的输出数据类型。

我们用sklearn的preprocessing进行数据预处理，案例如下：