OneHotEncoding Mapping

时间：2016-08-16 15:28:11

标签： scikit-learn one-hot-encoding

要离散分类功能，我正在使用LabelEncoder和OneHotEncoder。我知道LabelEncoder按字母顺序映射数据，但OneHotEncoder如何映射数据？

我有一个pandas数据框，dataFeat有5个不同的列，还有4个可能的标签，如上所述。 dataFeat = data[['Feat1', 'Feat2', 'Feat3', 'Feat4', 'Feat5']] 

Feat1  Feat2  Feat3  Feat4  Feat5
  A      B      A      A      A
  B      B      C      C      C
  D      D      A       A     B
  C      C      A       A     A

我像这样申请labelencoder，

le = preprocessing.LabelEncoder()

intIndexed = dataFeat.apply(le.fit_transform)

这是LabelEncoder

编码标签的方式 
Label   LabelEncoded
 A         0
 B         1
 C         2
 D         3

然后我应用像这样的OneHotEncoder 

enc = OneHotEncoder(sparse = False)

encModel = enc.fit(intIndexed)

dataFeatY = encModel.transform(intIndexed)

intIndexed.shape = 94,5和dataFeatY.shape=94,20。

我对dataFeatY的形状感到有点困惑 - 它不应该是95,5吗？

按照下面的MhFarahani回答，我这样做是为了看标签是如何映射的

import numpy as np

S = np.array(['A', 'B','C','D'])
le = LabelEncoder()
S = le.fit_transform(S)
print(S)

[0 1 2 3]

ohe = OneHotEncoder()
one_hot = ohe.fit_transform(S.reshape(-1,1)).toarray()
print(one_hot.T)

[[ 1.  0.  0.  0.]
 [ 0.  1.  0.  0.]
 [ 0.  0.  1.  0.]
 [ 0.  0.  0.  1.]]

这是否意味着标签是这样映射的，还是每列都不同？ （这可以解释形状为94,20）

Label   LabelEncoded    OneHotEncoded
 A         0               1.  0.  0.  0
 B         1               0.  1.  0.  0.
 C         2               0.  0.  1.  0.
 D         3               0.  0.  0.  1.

1 个答案:

答案 0 :(得分：6)

一个热编码意味着您创建一个和零的向量。所以顺序无关紧要。 在sklearn中，首先需要将分类数据编码为数字数据，然后将其提供给OneHotEncoder，例如：

from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder

S = np.array(['b','a','c'])
le = LabelEncoder()
S = le.fit_transform(S)
print(S)
ohe = OneHotEncoder()
one_hot = ohe.fit_transform(S.reshape(-1,1)).toarray()
print(one_hot)

导致：

[1 0 2]

[[ 0.  1.  0.]
 [ 1.  0.  0.]
 [ 0.  0.  1.]]

但是pandas直接转换了分类数据：

import pandas as pd
S = pd.Series( {'A': ['b', 'a', 'c']})
print(S)
one_hot = pd.get_dummies(S['A'])
print(one_hot)

输出：

A    [b, a, c]
dtype: object

   a  b  c
0  0  1  0
1  1  0  0
2  0  0  1
正如您在映射期间所看到的，

为每个分类要素创建了一个向量。向量的元素在分类特征的位置处是一个元素，在其他位置处是零。以下是该系列中只有两个分类要素的示例：

S = pd.Series( {'A': ['a', 'a', 'c']})
print(S)
one_hot = pd.get_dummies(S['A'])
print(one_hot)

结果：

A    [a, a, c]
dtype: object

   a  c
0  1  0
1  1  0
2  0  1

编辑回答新问题

让我们从这个问题开始：为什么我们执行一个热门编码？如果您将[＆＃39; a＆＃39;，＆＃39;＆＃39;＆＃39; c＆＃39;]等分类数据编码为整数[1,2,3]（例如使用LableEncoder），除了编码您的分类数据外，您还可以给它们一些权重，如1＆lt; 2＆lt;这种编码方式适用于像RandomForest这样的机器学习技术。但是许多机器学习技术会假设在这种情况下＆＃39; a＆＃39; ＆LT; ＆＃39; B＆＃39; ＆LT; ＆＃39; C＆＃39;如果你分别用1,2,3编码它们。为避免此问题，您可以为数据中的每个唯一分类变量创建一列。换句话说，您为每个分类变量创建了一个新功能（这里有一列用于＆＃39;一个用于＆＃39; b＆＃39;一个用于＆＃39; c＆＃39;）。如果变量位于该索引中，则这些新列中的值设置为1，而其他位置则设置为零。

对于示例中的数组，一个热编码器将是：

features ->  A   B   C   D 

          [[ 1.  0.  0.  0.]
           [ 0.  1.  0.  0.]
           [ 0.  0.  1.  0.]
           [ 0.  0.  0.  1.]]

您有4个分类变量＆＃34; A＆＃34;，＆＃34; B＆＃34;，＆＃34; C＆＃34;，＆＃34; D＆＃34;。因此，OneHotEncoder会将您的（4，）数组填充到（4,4），以便为每个分类变量（这将是您的新功能）提供一个向量（或列）。因为＆＃34; A＆＃34;数组的0元素，第一列的索引0设置为1，其余的设置为0.类似地，第二个矢量（列）属于特征＆＃34; B＆＃34;因为＆＃34; B＆＃34;在你的数组的索引1中，＆＃34; B＆＃34;的索引1 vector设置为1，其余设置为零。这同样适用于其他功能。

让我改变你的数组。也许它可以帮助您更好地理解标签编码器的工作原理：

S = np.array(['D', 'B','C','A'])
S = le.fit_transform(S)
enc = OneHotEncoder()
encModel = enc.fit_transform(S.reshape(-1,1)).toarray()
print(encModel)

现在结果如下。这里的第一列是＆＃39; A＆＃39;因为它是数组的最后一个元素（index = 3），所以第一列的最后一个元素是1. 

features ->  A   B   C   D
          [[ 0.  0.  0.  1.]
           [ 0.  1.  0.  0.]
           [ 0.  0.  1.  0.]
           [ 1.  0.  0.  0.]]

关于您的pandas数据框dataFeat，即使在LableEncoder如何工作的第一步中，您也错了。当您应用LableEncoder时，它适合每个列并对其进行编码;然后，它转到下一列并重新拟合该列。这是你应该得到的：

from sklearn.preprocessing import LabelEncoder
df =  pd.DataFrame({'Feat1': ['A','B','D','C'],'Feat2':['B','B','D','C'],'Feat3':['A','C','A','A'],
                    'Feat4':['A','C','A','A'],'Feat5':['A','C','B','A']})
print('my data frame:')
print(df)

le = LabelEncoder()
intIndexed = df.apply(le.fit_transform)
print('Encoded data frame')
print(intIndexed)

结果：

my data frame:
  Feat1 Feat2 Feat3 Feat4 Feat5
0     A     B     A     A     A
1     B     B     C     C     C
2     D     D     A     A     B
3     C     C     A     A     A

Encoded data frame
   Feat1  Feat2  Feat3  Feat4  Feat5
0      0      0      0      0      0
1      1      0      1      1      2
2      3      2      0      0      1
3      2      1      0      0      0

请注意，在第一列Feat1＆＃39; A＆＃39;被编码为0，但在第二列Feat2中，＆＃39; B＆＃39;元素为0.这是因为LableEncoder适合每列并单独转换它。请注意，在第二列（＆＃39; B＆＃39;，＆＃39; C＆＃39;，＆＃39; D＆＃39;）中，变量＆＃39; B＆＃39;按字母顺序优越。

最后，您正在寻找sklearn：

from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import OneHotEncoder

encoder = OneHotEncoder()
label_encoder = LabelEncoder()
data_lable_encoded = df.apply(label_encoder.fit_transform).as_matrix()
data_feature_onehot = encoder.fit_transform(data_lable_encoded).toarray()
print(data_feature_onehot)

给你：

[[ 1.  0.  0.  0.  1.  0.  0.  1.  0.  1.  0.  1.  0.  0.]
 [ 0.  1.  0.  0.  1.  0.  0.  0.  1.  0.  1.  0.  0.  1.]
 [ 0.  0.  0.  1.  0.  0.  1.  1.  0.  1.  0.  0.  1.  0.]
 [ 0.  0.  1.  0.  0.  1.  0.  1.  0.  1.  0.  1.  0.  0.]]

如果你使用pandas，你可以比较结果，希望能给你一个更好的直觉：

encoded = pd.get_dummies(df)
print(encoded)

结果：

     Feat1_A  Feat1_B  Feat1_C  Feat1_D  Feat2_B  Feat2_C  Feat2_D  Feat3_A  \
0        1        0        0        0        1        0        0        1   
1        0        1        0        0        1        0        0        0   
2        0        0        0        1        0        0        1        1   
3        0        0        1        0        0        1        0        1   

     Feat3_C  Feat4_A  Feat4_C  Feat5_A  Feat5_B  Feat5_C  
0        0        1        0        1        0        0  
1        1        0        1        0        0        1  
2        0        1        0        0        1        0  
3        0        1        0        1        0        0

完全一样！

相关问题
最新问题