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 = 94,5dataFeatY.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[' a',''' c']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< 2<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' a' < ' B' < ' C'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'一个用于' b'一个用于' c')。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" A"," B"," C"," D"。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" A"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" B"因为" B"在你的数组的索引1中," B"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' A'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' A'被编码为0,但在第二列Feat2中,' B'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(' B',' C',' D')中,变量' B'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!