将索引数组转换为1-hot编码的numpy数组

Question

假设我有一个ndy阵列

a = array([1,0,3])

我想将其编码为2d 1-hot阵列

b = array([[0,1,0,0], [1,0,0,0], [0,0,0,1]])

有快速的方法吗？比仅仅循环a设置元素更快b.

Answer 1

您的数组a定义输出数组中非零元素的列.您还需要定义行,然后使用花式索引:

>>> a = np.array([1, 0, 3])
>>> b = np.zeros((a.size, a.max()+1))
>>> b[np.arange(a.size),a] = 1
>>> b
array([[ 0.,  1.,  0.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.]])

Answer 2

>>> values = [1, 0, 3]
>>> n_values = np.max(values) + 1
>>> np.eye(n_values)[values]
array([[ 0.,  1.,  0.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.]])

Answer 3

这是我觉得有用的东西:

def one_hot(a, num_classes):
  return np.squeeze(np.eye(num_classes)[a.reshape(-1)])

这里num_classes代表你拥有的课程数量.因此,如果你有一个a形状为(10000,)的向量,这个函数将它转换为(10000,C).注意,它a是零索引的,one_hot(np.array([0, 1]), 2)即将给出[[1, 0], [0, 1]].

我相信你究竟想拥有什么.

PS:来源是序列模型 - deeplearning.ai

Answer 4

如果您使用keras,则有一个内置实用程序:

from keras.utils.np_utils import to_categorical   

categorical_labels = to_categorical(int_labels, num_classes=3)

它与@ YXD的答案几乎相同(参见源代码).

Answer 5

你可以使用 sklearn.preprocessing.LabelBinarizer:

例:

import sklearn.preprocessing
a = [1,0,3]
label_binarizer = sklearn.preprocessing.LabelBinarizer()
label_binarizer.fit(range(max(a)+1))
b = label_binarizer.transform(a)
print('{0}'.format(b))

输出:

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

除此之外,您可以初始化sklearn.preprocessing.LabelBinarizer()以使输出transform稀疏.

Answer 6

numpy.eye(类的大小)[要转换的向量]

Answer 7

您可以使用以下代码转换为 one-hot 向量：

让 x 是具有单个列的普通类向量，其中类为 0 到某个数字：

import numpy as np
np.eye(x.max()+1)[x]

如果 0 不是一个类；然后删除+1。

Answer 8

对于 1-hot-encoding

   one_hot_encode=pandas.get_dummies(array)

例如

享受编码

Answer 9

这是将一维矢量转换为一维二维热阵列的函数。

#!/usr/bin/env python
import numpy as np

def convertToOneHot(vector, num_classes=None):
    """
    Converts an input 1-D vector of integers into an output
    2-D array of one-hot vectors, where an i'th input value
    of j will set a '1' in the i'th row, j'th column of the
    output array.

    Example:
        v = np.array((1, 0, 4))
        one_hot_v = convertToOneHot(v)
        print one_hot_v

        [[0 1 0 0 0]
         [1 0 0 0 0]
         [0 0 0 0 1]]
    """

    assert isinstance(vector, np.ndarray)
    assert len(vector) > 0

    if num_classes is None:
        num_classes = np.max(vector)+1
    else:
        assert num_classes > 0
        assert num_classes >= np.max(vector)

    result = np.zeros(shape=(len(vector), num_classes))
    result[np.arange(len(vector)), vector] = 1
    return result.astype(int)

以下是一些用法示例：

>>> a = np.array([1, 0, 3])

>>> convertToOneHot(a)
array([[0, 1, 0, 0],
       [1, 0, 0, 0],
       [0, 0, 0, 1]])

>>> convertToOneHot(a, num_classes=10)
array([[0, 1, 0, 0, 0, 0, 0, 0, 0, 0],
       [1, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 1, 0, 0, 0, 0, 0, 0]])