1

我有一些分类特征散列成 32 位十六进制数字，例如，在一个类别中，三个不同的类被散列成：

'05db9164'  '68fd1e64' '8cf07265'

一个 Hot Encoding将这些映射到一个二进制数组中，只有一位是 1，另一个是 0。所以如果我想对上述特征进行编码。只需要三个位。

001 correspond to 05db9164, 010 correspond to 68fd1e64, 100 correspond to 8cf07265

但是当我在 sklearn 中使用 OneHotEncoder 时，它告诉我这个数字太大了。这让我很困惑。因为我们不关心数字的数值属性。我们只关心它们是否相同。

另一方面，如果我编码 0,1,2：

enc = OneHotEncoder()
enc.fit([[0],[1],[2]])

print enc.transform([[0]]).toarray()
print enc.transform([[1]]).toarray()
print enc.transform([[2]]).toarray()

我得到了预期的答案。而且我认为这些 32 位十六进制数是用来表示类别中的类的。所以它与 0 , 1 ,2 相同。并且 [0,0,1], [0,1,0],[1,0,0] 足以对其进行编码。你能帮我吗。非常感谢。

4

1 回答 1

1

如果您的数组不是很长，您可以使用np.unique. 这样，您还可以确定不同特征的最大数量，作为回报，您可以将其提供给OneHotEncoder，以便它知道要分配多少列。请注意，重命名本身并不是必需的，但它具有生成使用较少空间的整数的良好副作用（如果您使用np.int32）。

import numpy as np
rng = np.random.RandomState(42)
# generate some data
data = np.array(['05db9164', '68fd1e64', '8cf07265'])[rng.randint(0, 3, 100)]

uniques, new_labels = np.unique(data, return_inverse=True)
n_values = len(uniques)

from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder(n_values=n_values)
encoded = encoder.fit_transform(new_labels[:, np.newaxis])

print repr(encoded)
于 2014-08-25T20:01:21.153 回答