Python实现独热编码

喜欢ヅ旅行 2022-03-25 03:58 411阅读 0赞

关于独热编码与哑变量编码的概念，可以参考：[https://blog.csdn.net/qq\_41853758/article/details/81252174][https_blog.csdn.net_qq_41853758_article_details_81252174]。

离散特征的编码分为两种情况：

1、离散特征的取值之间没有大小的意义，比如color：\[red,blue\],此时可以使用one-hot编码；

2、离散特征的取值有大小的意义，比如size:\[X,XL,XXL\],此时可以使用数值的映射\{X:1,XL:2,XXL:3\}。

本文主要讨论独热编码的Python实现：

import pandas as pd
    
    df = pd.DataFrame({'key': ['b', 'b', 'a', 'c', 'a', 'b'],'data': range(6)})
    df

df结构如下所示：

![20190211200905672.PNG][]

利用pd.get\_dummies()函数对类别性特征df中的key进行独热编码处理：

dummies = pd.get_dummies(df['key'],prefix='key')
    dummies

dummies的结构如下：

![20190211201153478.PNG][]

将经过独热编码处理后的类别特征与其他数值型特征组合起来：

new_df = df[['data']].join(dummies)
    new_df

new\_df的结构如下所示：

![20190211201700263.PNG][]

比较df和new\_df我们可以看到，经过独热编码处理后，特征集由原来的两维变成了四维。一般情况下独热编码可以结合PCA一起使用，以降低经独热编码处理后的特征集的复杂性。

其他参考：

[https://blog.csdn.net/lujiandong1/article/details/52836051][https_blog.csdn.net_lujiandong1_article_details_52836051]

[https://blog.csdn.net/wl\_ss/article/details/78508367][https_blog.csdn.net_wl_ss_article_details_78508367]

《Python for Data Analysis》2nd

[https_blog.csdn.net_qq_41853758_article_details_81252174]: https://blog.csdn.net/qq_41853758/article/details/81252174
[20190211200905672.PNG]: /images/20220325/95a4f20c15c54dc69c7a43971645ad51.png
[20190211201153478.PNG]: /images/20220325/4fe0f79b0ec8478abf42a0cbbfddc30b.png
[20190211201700263.PNG]: /images/20220325/94a9564a11ed46c283678d2e4b0eceb0.png
[https_blog.csdn.net_lujiandong1_article_details_52836051]: https://blog.csdn.net/lujiandong1/article/details/52836051
[https_blog.csdn.net_wl_ss_article_details_78508367]: https://blog.csdn.net/wl_ss/article/details/78508367