OneHotEncoder獨熱編碼實例

class sklearn.preprocessing.OneHotEncoder(*, categories='auto', drop=None, sparse=True, dtype=<class 'numpy.float64'>, handle_unknown='error')

• 目的：將分類要素編碼為one-hot數(shù)字數(shù)組
• 輸入：為整數(shù)或字符串之類的數(shù)組，表示分類（離散）特征所采用的值。
• 這將為每個類別創(chuàng)建一個二進制列，并返回一個稀疏矩陣或密集數(shù)組（取決于稀疏參數(shù)）默認情況下，編碼器會根據(jù)每個功能中的唯一值得出類別（可改為手動）
• 適用于GBDT、XGBoost、Lgb模型中效果都不錯 注意：在最新版本的sklearn中，所有的數(shù)據(jù)都應(yīng)該是二維矩陣，所以當它只是單獨一行或一列需要進行reshape(1, -1)數(shù)據(jù)轉(zhuǎn)換，否則會報錯ValueError: Expected 2D array, got 1D array instead

以下面數(shù)據(jù)為例（數(shù)據(jù)源）：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd
train = pd.read_csv('./train.csv')
enc = OneHotEncoder(handle_unknown='ignore')
numerical_feature = ['policy_annual_premium','insured_education_level','capital-gains','incident_type','incident_severity',\
                   'property_damage','bodily_injuries','police_report_available','total_claim_amount','injury_claim','property_claim','vehicle_claim']
data = train[numerical_feature]
c = enc.fit_transform(data.values.reshape(1,-1))
c.toarray()#查看轉(zhuǎn)化后的數(shù)據(jù)

輸入數(shù)據(jù)由處理后的這種格式：

經(jīng)過編碼后得出編碼后的數(shù)據(jù)（數(shù)據(jù)量過大用元組的形式展現(xiàn)），全部由二進制數(shù)0、1表示：

注意：在一對多的情況下y標簽需要使用 sklearn.preprocessing.LabelBinarizer() 函數(shù)將多類標簽轉(zhuǎn)換為二進制標簽

LabelEncoder標簽編碼實例

• 目的：對目標標簽進行編碼，其值介于0和n_classes-1之間
• 輸入可以是數(shù)字標簽，也可以是非數(shù)字標簽，這里需要注意的是返回的類型是NumPy的array形式，上述OneHotEncoder ()返回的是系數(shù)矩陣形式。

from sklearn.preprocessing import LabelEncoder
Enc=LabelEncoder()
def yuchuli(data):
    numerical_feature = ['policy_annual_premium','insured_education_level','capital-gains','incident_type','incident_severity',\
                       'property_damage','bodily_injuries','police_report_available','total_claim_amount','injury_claim','property_claim','vehicle_claim','auto_year']
data=pd.DataFrame()
for fea in numerical_feature:
    data.insert(len(data.columns),fea,Enc.fit_transform(train[fea].values))
    return data
train_data = yuchuli(train)

經(jīng)過編碼后得出編碼后的數(shù)據(jù)：

其中最清晰的就是標黑的property_damage一列，使用One-hot編碼轉(zhuǎn)換后變成？屬于0，Yes屬于2，No屬于1。

LabelEncoder()只有一個class_屬性，是查看每個類別的標簽，在上述基礎(chǔ)上嘗試即最后一個特征所對應(yīng)的屬性標簽，通俗來講就是這里面需要被編碼的個數(shù)就是這些數(shù)：

• 果然不出所料，因為這是循環(huán)，所以對應(yīng)的最后一個是auto_year,原數(shù)據(jù)如下圖：

注意：開頭提到的編碼值介于 0 和 n_classes-1 之間于下圖可以清晰理解，里面有n種不同的值，就分成 n-1 類，因為還包括 0

不過 LabelEncoder 標簽編碼我想對用的比較少，一般我都是使用 One-hot 獨熱編碼去處理離散特征。

OrdinalEncoder特征編碼實例

• 目的：將分類特征編碼為整數(shù)數(shù)組。
• 輸入：是一個類似數(shù)組的整數(shù)或字符串，表示分類（離散）特征所采用的值，特征會被轉(zhuǎn)換為序數(shù)整數(shù)

from sklearn.preprocessing import OrdinalEncoder
import pandas as pd
import numpy as np
train = pd.read_csv('./train.csv')
test = pd.read_csv('./test.csv')
train.drop_duplicates()
Enc=LabelEncoder()
Enc=OneHotEncoder()
def yuchuli(data_train):
    numerical_feature = ['incident_severity', 'insured_hobbies', 'vehicle_claim', 'auto_model', 'insured_education_level', 'insured_zip', 'insured_relationship', 'incident_date','auto_year']
    data = pd.DataFrame()
    for fea in numerical_feature:
        data.insert(len(data.columns), fea, (Enc.fit_transform(train[fea].values.reshape(-1, 1))).tolist())
#     return data
train_data = yuchuli(train)

但是我通過輸出每一個特征結(jié)果的時候發(fā)現(xiàn)他和LabelEncoder()編碼出的數(shù)據(jù)大差不離，特征編碼則通過categories_查看編碼特征

總而言之就是結(jié)果數(shù)據(jù)是一樣的，但是類型上是不同的，我通過本文了解到它們本質(zhì)的區(qū)別：

• OrdinalEncoder 用于形狀為 2D 的數(shù)據(jù) (n_samples, n_features)
• LabelEncoder用于形狀為 1D 的數(shù)據(jù)(n_samples,)

至于為什么，我們從上面兩者的代碼中就可以發(fā)現(xiàn)，OrdinalEncoder 編碼出的數(shù)據(jù)要想fit_transform擬合，就得使用.reshape(-1, 1)轉(zhuǎn)換成二維數(shù)據(jù)，這一塊和OneHotEncoder編碼相同，而LabelEncoder則直接放入即可擬合出數(shù)據(jù)來，這里也是使用過程中最容易出現(xiàn)的問題。

OrdinalEncoder編碼還是有兩點需要注意的，第一點，他可以接受np.nan缺失值，可根據(jù)需求選擇是否處理缺失值；第二點，他有 這么一個參數(shù)->handle_unknown=error(默認) ,通過判斷是否存在未知的特征來選擇是否繼續(xù)進行程序，當我們們選擇handle_unknown=use_encoded_value時會將存在的未知特征打上unknown_value標簽

#將缺失值全部處理為-1
Enc.set_params(encoded_missing_value=-1,handle_unknown=use_encoded_value).fit_transform()

以上就是Python sklearn庫三種常用編碼格式實例的詳細內(nèi)容，更多關(guān)于Python sklearn庫編碼格式的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論