Python 之Scikit-learn(六) -- Scikit-learn提供的独热编码

独热编码(One-Hot Encoding)是一种常用的将分类数据转换为数值数据的技术。Scikit-learn 提供了 OneHotEncoder 类来方便地进行独热编码。下面是独热编码的原理、适用情况以及使用 Scikit-learn 进行独热编码的详细介绍和示例代码。

原理

独热编码是一种将分类变量转换为二进制向量的编码方式。每个类别都用一个独特的二进制向量表示,向量的长度等于类别的总数。在该向量中,只有一个元素是1,其他元素都是0。例如,有三个类别 ['cat', 'dog', 'mouse'],独热编码后将变为:

  • cat: 1, 0, 0
  • dog: 0, 1, 0
  • mouse: 0, 0, 1

适用情况

独热编码适用于以下情况:

  • 分类变量需要转换为数值变量,供机器学习模型使用。
  • 适用于没有顺序的分类数据(如颜色、性别、城市等)。
  • 适用于大多数机器学习算法,特别是线性模型、树模型、神经网络等。

Scikit-learn 独热编码示例

下面是使用 Scikit-learn 进行独热编码的详细步骤和示例代码。

  1. 导入必要的库
python 复制代码
import numpy as np
from sklearn.preprocessing import OneHotEncoder
  1. 创建示例数据

假设我们有一个包含三个分类特征的数据集:

python 复制代码
data = np.array([
    ['cat', 'small', 'black'],
    ['dog', 'large', 'brown'],
    ['mouse', 'small', 'white'],
    ['cat', 'large', 'white'],
    ['dog', 'small', 'black']
])
  1. 初始化并应用 OneHotEncoder

首先,创建 OneHotEncoder 的实例。然后,使用 fit_transform 方法将分类特征转换为独热编码。

python 复制代码
encoder = OneHotEncoder()
encoded_data = encoder.fit_transform(data).toarray()
  1. 查看编码后的数据
python 复制代码
print(encoded_data)
  1. 获取编码后的特征名称
python 复制代码
print(encoder.get_feature_names_out())

完整示例代码

python 复制代码
import numpy as np
from sklearn.preprocessing import OneHotEncoder

# 创建示例数据
data = np.array([
    ['cat', 'small', 'black'],
    ['dog', 'large', 'brown'],
    ['mouse', 'small', 'white'],
    ['cat', 'large', 'white'],
    ['dog', 'small', 'black']
])

# 初始化 OneHotEncoder
encoder = OneHotEncoder()

# 应用 OneHotEncoder 进行独热编码
encoded_data = encoder.fit_transform(data).toarray()

# 输出编码后的数据
print("Encoded Data:")
print(encoded_data)

# 输出编码后的特征名称
print("Feature Names:")
print(encoder.get_feature_names_out())

结果

python 复制代码
Encoded Data:
[[1. 0. 0. 1. 0. 1. 0. 1.]
 [0. 1. 0. 0. 1. 0. 1. 0.]
 [0. 0. 1. 1. 0. 0. 0. 1.]
 [1. 0. 0. 0. 1. 0. 0. 1.]
 [0. 1. 0. 1. 0. 1. 0. 1.]]

Feature Names:
['x0_cat' 'x0_dog' 'x0_mouse' 'x1_large' 'x1_small' 'x2_black' 'x2_brown' 'x2_white']
相关推荐
starzy19908 分钟前
深入理解Scala隐式参数:上下文流转
开发语言·python·scala
wuyk5551 小时前
Spider-第16讲-线程池与竞态问题
大数据·爬虫·python·elasticsearch·搜索引擎
feixing_fx1 小时前
JavaScript 是什么:从浏览器脚本到通用编程语言
开发语言·前端·javascript·前端框架·ecmascript
惜.己3 小时前
Java结合idea简单使用Playwright
java·开发语言·自动化
利威尔xu3 小时前
PostgreSQL 索引失效 4 类:函数运算让查询全表扫描拖垮性能
开发语言·数据库·postgresql·性能优化·索引优化
ShineWinsu3 小时前
对于Qt:QSpacerItem常见属性以及方法的解析
开发语言·c++·qt·面试·系统架构·客户端·qspaceritem
ShineWinsu7 小时前
对于Qt:QGripLayout常见属性、方法以及QSizePolicy的解析
开发语言·c++·qt·面试·gui·客户端·网格
艾莉丝努力练剑7 小时前
【AI大模型接入SDK】C++的SessionManager 线程安全
java·开发语言·前端·c++·人工智能·学习·安全
kyle~7 小时前
FastAPI --- 将业务能力以 API 的形式提供给外部系统
python·fastapi·前后端
aiotto资源分享7 小时前
Python 写 JSON 文件,程序中途退出会留下什么?
java·python·json·jsondecodeerror