OneHot编码

One-Hot编码 What、Why And When?

一句话概括：one hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。

目录：

前言：

通过例子可能更容易理解这个概念。

假设我们有一个迷你数据集：

公司名	类别值	价格
VW	1	20000
Acura	2	10011
Honda	3	50000
Honda	3	10000

其中，类别值是分配给数据集中条目的数值编号。比如，如果我们在数据集中新加入一个公司，那么我们会给这家公司一个新类别值4。当独特的条目增加时，类别值将成比例增加。
​
在上面的表格中，类别值从1开始，更符合日常生活中的习惯。实际项目中，类别值从0开始（因为大多数计算机系统计数），所以，如果有N个类别，类别值为0至N-1. skle[ar](https://www.jqr.com/service/company?business=17)的[LabelEncoder](http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html)可以帮我们完成这一类别值分配工作。
​
现在让我们继续讨论one hot编码，将以上数据集one hot编码后，我们得到的表示如下：

VW	Acura	Honda	价格
1	0	0	20000
0	1	0	10011
0	0	1	50000
0	0	1	10000

WHY

在我们继续之前，你可以想一下为什么不直接提供标签编码给模型训练就够了？为什么需要one hot编码？

标签编码的问题是它假定类别值越高，该类别更好。“等等，什么！”

让我解释一下：根据标签编码的类别值，我们的迷你数据集中VW > Acura > Honda。比方说，假设模型内部计算平均值（神经网络中有大量加权平均运算），那么1 + 3 = 4，4 / 2 = 2. 这意味着：**VW和Honda平均一下是Acura**。毫无疑问，这是一个糟糕的方案。该模型的预测会有大量误差。（This is why we use one hot encoder to perform “binarization” of the category and include it as a feature to train the model.） 

What

我们使用one hot编码器对类别进行“二进制化”操作，然后将其作为模型训练的特征，原因正在于此。

当然，如果我们在设计网络的时候考虑到这点，对标签编码的类别值进行特别处理，那就没问题。不过，在大多数情况下，使用one hot编码是一个更简单直接的方案。

最后，我们用一个例子总结下本文：
​
假设“花”的特征可能的取值为`daffodil`（水仙）、`lily`（百合）、`rose`（玫瑰）。one hot编码将其转换为三个特征：`is_daffodil`、`is_lily`、`is_rose`，这些特征都是二进制的。

When

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],那么就使用one-hot编码。如果原本的标签编码是有序的，那one-hot编码就不合适了——会丢失顺序信息。

2、离散特征的取值有大小的意义，比如size:[X,XL,XXL],那么就使用数值的映射{X:1,XL:2,XXL:3}

1. One-Hot Encoding 介绍：

在实际的应用场景中，有非常多的特征不是连续的数值变量，而是某一些离散的类别。比如在广告系统中，用户的性别，用户的地址，用户的兴趣爱好等等一系列特征，都是一些**分类值。这些特征一般都无法直接应用在需要进行数值型计算的算法里**，比如CTR预估中最常用的LR。那针对这种情况最简单的处理方式是将不同的类别映射为一个整数，比如男性是0号特征，女性为1号特征。这种方式最大的优点就是简单粗暴，实现简单。那最大的问题就是在这种处理方式中，各种类别的特征都被看成是有序的，这显然是非常不符合实际场景的。
​
为了解决上述问题，其中一种可能的解决方法是采用：

独热编码（One-Hot Encoding）

独热编码即 One-Hot 编码，又称一位有效编码，其方法是使用**N位状态寄存器来对N个状态进行编码**，每个状态都由**独立的寄存器位**，**并且在任意时候，其中只有一位有效**。可以这样理解，对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了**m个二元特征**。并且，**这些特征互斥**，每次只有一个激活。因此，数据会变成稀疏的。（本段内容来自网络）

2. One-Hot 编码的优点

由第一部分的分析，很容易看出one hot编码的优点： 1.能够处理非连续型数值特征。 2.在一定程度上也扩充了特征。比如性别本身是一个特征，经过one hot编码以后，就变成了男或女两个特征。

3. 为什么能使用One-Hot（作用）

• 使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。 (欧式空间的介绍请看另一篇博客https://blog.csdn.net/lulu950817/article/details/80424288)

• 将离散特征通过one-hot编码映射到欧式空间，是因为，在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。

• 将离散型特征使用one-hot编码，可以会让特征之间的距离计算更加合理。比如，有一个离散型特征，代表工作类型，该离散型特征，共有三个取值，不使用one-hot编码，其表示分别是x_1 = (1), x_2 = (2), x_3 = (3)。两个工作之间的距离是，(x_1, x_2) = 1, d(x_2, x_3) = 1, d(x_1, x_3) = 2。那么x_1和x_3工作之间就越不相似吗？显然这样的表示，计算出来的特征的距离是不合理。那如果使用one-hot编码，则得到x_1 = (1, 0, 0), x_2 = (0, 1, 0), x_3 = (0, 0, 1)，那么两个工作之间的距离就都是sqrt(2).即每两个工作之间的距离是一样的，显得更合理。

4.sklearn里的One-Hot

1、sklearn链接：https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html

2、源码：https://github.com/scikit-learn/scikit-learn/blob/bac89c2/sklearn/preprocessing/_encoders.py#L123

3、样例：

import numpy as np
from sklearn.preprocessing import OneHotEncoder
​
enc = OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1],[1, 0, 2]])
print "enc.n_values_ is:",enc.n_values_
print "enc.feature_indices_ is:",enc.feature_indices_
print enc.transform([[0, 1, 1]]).toarray()

代码运行结果：

enc.n_values_ is: [2 3 4]
enc.feature_indices_ is: [0 2 5 9]
[[ 1.  0.  0.  1.  0.  0.  1.  0.  0.]]

解释：

1、源码说明：

   """Encode categorical integer features using a one-hot aka one-of-K scheme.
​
    The input to this transformer should be a matrix of integers, denoting
    the values taken on by categorical (discrete) features. The output will be
    a sparse matrix where each column corresponds to one possible value of one
    feature. It is assumed that input features take on values in the range
    [0, n_values).
​
    This encoding is needed for feeding categorical data to many scikit-learn
    estimators, notably linear models and SVMs with the standard kernels.
​
    Read more in the :ref:`User Guide <preprocessing_categorical_features>`.
​
Attributes
    ----------
    active_features_ : array
        Indices for active features, meaning values that actually occur
        in the training set. Only available when n_values is ``'auto'``.
​
    feature_indices_ : array of shape (n_features,)
        Indices to feature ranges.
        Feature ``i`` in the original data is mapped to features
        from ``feature_indices_[i]`` to ``feature_indices_[i+1]``
        (and then potentially masked by `active_features_` afterwards)
​
    n_values_ : array of shape (n_features,)
        Maximum number of values per feature.

从上面可以看出 ：

• n_values_ : 每一维特征的种类数（shape）

• feature_indices_ : n_values_的叠加

• enc.transform([[0, 1, 1]]).toarray() : 表明将[0, 1, 1 ]样本输入，然后输出编码array([[ 1., 0., 0., 1., 0., 0., 1., 0., 0.]])

  也可以： enc.fit_transform([[0, 0, 3], [1, 1, 0], [0, 2, 1],[1, 0, 2]]) 直接输出这几个的one-hot编码结果

• [1., 0., 0., 1., 0., 0., 1., 0., 0.]：前两位表示对 0 的编码，中间3为表示对 1 的编码，最后四位表示对 1 的编码，共9位。

5. pandas中的get_dummies之One-Hot编码

1、用法：

import pandas as pd  
df = pd.DataFrame([  
            ['green', 'M', 10.1, 'class1'],   
            ['red', 'L', 13.5, 'class2'],   
            ['blue', 'XL', 15.3, 'class1']]) 
pd.get_dummies(df)  

参考：

1、https://blog.csdn.net/bitcarmanlee/article/details/51472816

2、https://blog.csdn.net/weixin_42380251/article/details/80564652

3、https://hackernoon.com/what-is-one-hot-encoding-why-and-when-do-you-have-to-use-it-e3c6186d008f?gi=be1dc2b7e1ee

4、https://blog.csdn.net/lulu950817/article/details/80424288

edit by Strange

2018.11.09