OneHotEncoding Mapping

Question

为了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个不同的列和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  

我申请labelencoder这样的,

le = preprocessing.LabelEncoder()

intIndexed = dataFeat.apply(le.fit_transform)

这就是LabelEncoder对标签进行编码的方式

Label   LabelEncoded
 A         0
 B         1
 C         2
 D         3

然后我应用这样的OneHotEncoder

enc = OneHotEncoder(sparse = False)

encModel = enc.fit(intIndexed)

dataFeatY = encModel.transform(intIndexed)

intIndexed.shape = 94,5和dataFeatY.shape=94,20.

我的形状有点困惑dataFeatY- 不应该也是95,5？

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？(这可以解释形状是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.

Answer 1

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,首先你需要编码分类数据的数字数据,然后将它们喂到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)

这导致:

[1 0 2]

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

但是pandas直接转换分类数据:

import pandas as pd
S = pd.Series( {'A': ['b', 'a', 'c']})
print(S)
one_hot = pd.get_dummies(S['A'])
print(one_hot)

哪个输出:

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,对于每个分类要素,都会创建一个向量.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.以下是系列中只有两个分类功能的示例:

S = pd.Series( {'A': ['a', 'a', 'c']})
print(S)
one_hot = pd.get_dummies(S['A'])
print(one_hot)

结果是:

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','b','c']等分类数据编码为整数[1,2,3](例如使用LableEncoder),除了对分类数据进行编码外,您还可以给它们一些权重1 <2 <3.这种编码方式适用于某些机器学习技术,如RandomForest.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一个新功能(这里一个列为'a'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).由于"A"是数组的0元素,因此第一列的索引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"是在数组的索引1中,"B"向量的索引1设置为1,其余设置为零.这同样适用于其他功能.

让我改变你的阵列.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.]]

关于你的熊猫数据框,dataFeat即使在第一步中你是如何LableEncoder工作的,你也是错的.当你应用LableEncoder它时,它适合每列,并编码; 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,在第一列中,Feat1"A"被编码为0,但在第二列中Feat2,"B"元素为0.这种情况发生,因为LableEncoder适合每列并单独转换它.请注意,在('B','C','D')的第二列中,变量'B'在字母顺序上更优越.

最后,这是您正在寻找的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)

这给你:

[[ 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  

这是完全一样的!