205

我有一个包含 80% 分类变量的机器学习分类问题。如果我想使用某个分类器进行分类,我必须使用一种热编码吗?我可以在没有编码的情况下将数据传递给分类器吗?

我正在尝试执行以下功能选择:

  1. 我读了火车文件:

    num_rows_to_read = 10000
    train_small = pd.read_csv("../../dataset/train.csv",   nrows=num_rows_to_read)
    
  2. 我将分类特征的类型更改为“类别”:

    non_categorial_features = ['orig_destination_distance',
                              'srch_adults_cnt',
                              'srch_children_cnt',
                              'srch_rm_cnt',
                              'cnt']
    
    for categorical_feature in list(train_small.columns):
        if categorical_feature not in non_categorial_features:
            train_small[categorical_feature] = train_small[categorical_feature].astype('category')
    
  3. 我使用一种热编码:

    train_small_with_dummies = pd.get_dummies(train_small, sparse=True)
    

问题是第三部分经常卡住,尽管我使用的是一台强大的机器。

因此,如果没有一种热编码,我就无法进行任何特征选择,以确定特征的重要性。

你有什么建议吗?

4

21 回答 21

241

方法 1:您可以使用 pandas 的pd.get_dummies.

示例 1:

import pandas as pd
s = pd.Series(list('abca'))
pd.get_dummies(s)
Out[]: 
     a    b    c
0  1.0  0.0  0.0
1  0.0  1.0  0.0
2  0.0  0.0  1.0
3  1.0  0.0  0.0

示例 2:

以下将把给定的列转换为一个热列。使用前缀有多个假人。

import pandas as pd
        
df = pd.DataFrame({
          'A':['a','b','a'],
          'B':['b','a','c']
        })
df
Out[]: 
   A  B
0  a  b
1  b  a
2  a  c

# Get one hot encoding of columns B
one_hot = pd.get_dummies(df['B'])
# Drop column B as it is now encoded
df = df.drop('B',axis = 1)
# Join the encoded df
df = df.join(one_hot)
df  
Out[]: 
       A  a  b  c
    0  a  0  1  0
    1  b  1  0  0
    2  a  0  0  1

方法 2:使用 Scikit-learn

使用 aOneHotEncoder的优点是能够fit处理一些训练数据,然后transform使用相同的实例处理一些其他数据。我们还必须handle_unknown进一步控制编码器如何处理看不见的数据。

给定一个具有三个特征和四个样本的数据集,我们让编码器找到每个特征的最大值并将数据转换为二进制 one-hot 编码。

>>> from sklearn.preprocessing import OneHotEncoder
>>> enc = OneHotEncoder()
>>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])   
OneHotEncoder(categorical_features='all', dtype=<class 'numpy.float64'>,
   handle_unknown='error', n_values='auto', sparse=True)
>>> enc.n_values_
array([2, 3, 4])
>>> enc.feature_indices_
array([0, 2, 5, 9], dtype=int32)
>>> enc.transform([[0, 1, 1]]).toarray()
array([[ 1.,  0.,  0.,  1.,  0.,  0.,  1.,  0.,  0.]])

这是此示例的链接: http: //scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html

于 2016-09-02T07:55:21.130 回答
109

使用 Pandas 进行基本的 one-hot 编码要容易得多。如果您正在寻找更多选项,您可以使用scikit-learn.

对于Pandas的基本 one-hot 编码,您将数据帧传递给get_dummies函数。

例如,如果我有一个名为imdb_movies的数据框:

在此处输入图像描述

...并且我想对 Rated 列进行一次热编码,我这样做:

pd.get_dummies(imdb_movies.Rated)

在此处输入图像描述

dataframe这将为存在的每个“级别”评级返回一个新的列,以及指定给定观察的评级存在的 1 或 0。

通常,我们希望它成为原始dataframe. 在这种情况下,我们使用“列绑定”将新的虚拟编码帧附加到原始帧上。

我们可以使用 Pandas 的concat函数进行列绑定:

rated_dummies = pd.get_dummies(imdb_movies.Rated)
pd.concat([imdb_movies, rated_dummies], axis=1)

在此处输入图像描述

我们现在可以对完整的dataframe.

简单实用功能

我建议让自己成为一个实用函数来快速执行此操作:

def encode_and_bind(original_dataframe, feature_to_encode):
    dummies = pd.get_dummies(original_dataframe[[feature_to_encode]])
    res = pd.concat([original_dataframe, dummies], axis=1)
    return(res)

用法

encode_and_bind(imdb_movies, 'Rated')

结果

在此处输入图像描述

此外,根据@pmalbu 评论,如果您希望删除原始 feature_to_encode的功能,请使用此版本:

def encode_and_bind(original_dataframe, feature_to_encode):
    dummies = pd.get_dummies(original_dataframe[[feature_to_encode]])
    res = pd.concat([original_dataframe, dummies], axis=1)
    res = res.drop([feature_to_encode], axis=1)
    return(res) 

您可以同时对多个特征进行编码,如下所示:

features_to_encode = ['feature_1', 'feature_2', 'feature_3',
                      'feature_4']
for feature in features_to_encode:
    res = encode_and_bind(train_set, feature)
于 2018-10-22T18:07:06.280 回答
33

您可以numpy.eye使用数组元素选择机制来做到这一点:

import numpy as np
nb_classes = 6
data = [[2, 3, 4, 0]]

def indices_to_one_hot(data, nb_classes):
    """Convert an iterable of indices to one-hot encoded labels."""
    targets = np.array(data).reshape(-1)
    return np.eye(nb_classes)[targets]

现在的返回值indices_to_one_hot(nb_classes, data)

array([[[ 0.,  0.,  1.,  0.,  0.,  0.],
        [ 0.,  0.,  0.,  1.,  0.,  0.],
        [ 0.,  0.,  0.,  0.,  1.,  0.],
        [ 1.,  0.,  0.,  0.,  0.,  0.]]])

.reshape(-1)可以确保您拥有正确的标签格式(您可能也有)[[2], [3], [4], [0]]

于 2017-03-18T13:19:17.963 回答
23

首先,最简单的热编码方法:使用 Sklearn。

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html

其次,我不认为使用 pandas 进行一个热编码是那么简单(虽然未经证实)

在 pandas for python 中创建虚拟变量

最后,你有必要进行一次热编码吗?一种热编码会以指数方式增加特征的数量,从而大大增加任何分类器或您将要运行的任何其他东西的运行时间。尤其是当每个分类特征都有很多层次时。相反,您可以进行虚拟编码。

使用虚拟编码通常效果很好,运行时间和复杂性要少得多。一位睿智的教授曾经告诉我,“少即是多”。

如果需要,这是我的自定义编码功能的代码。

from sklearn.preprocessing import LabelEncoder

#Auto encodes any dataframe column of type category or object.
def dummyEncode(df):
        columnsToEncode = list(df.select_dtypes(include=['category','object']))
        le = LabelEncoder()
        for feature in columnsToEncode:
            try:
                df[feature] = le.fit_transform(df[feature])
            except:
                print('Error encoding '+feature)
        return df

编辑:比较更清楚:

One-hot 编码:将 n 级转换为 n-1 列。

Index  Animal         Index  cat  mouse
  1     dog             1     0     0
  2     cat       -->   2     1     0
  3    mouse            3     0     1

如果您的分类特征中有许多不同的类型(或级别),您可以看到这将如何激发您的记忆力。请记住,这只是一列。

虚拟编码:

Index  Animal         Index  Animal
  1     dog             1      0   
  2     cat       -->   2      1 
  3    mouse            3      2

改为转换为数字表示。极大地节省了特征空间,但牺牲了一点准确性。

于 2016-05-18T07:46:34.593 回答
22

使用 pandas 的一种热编码非常简单:

def one_hot(df, cols):
    """
    @param df pandas DataFrame
    @param cols a list of columns to encode 
    @return a DataFrame with one-hot encoding
    """
    for each in cols:
        dummies = pd.get_dummies(df[each], prefix=each, drop_first=False)
        df = pd.concat([df, dummies], axis=1)
    return df

编辑:

使用 sklearn 的 one_hot 的另一种方法LabelBinarizer

from sklearn.preprocessing import LabelBinarizer 
label_binarizer = LabelBinarizer()
label_binarizer.fit(all_your_labels_list) # need to be global or remembered to use it later

def one_hot_encode(x):
    """
    One hot encode a list of sample labels. Return a one-hot encoded vector for each label.
    : x: List of sample Labels
    : return: Numpy array of one-hot encoded labels
    """
    return label_binarizer.transform(x)
于 2017-03-01T04:31:55.630 回答
17

您可以使用 numpy.eye 功能。

import numpy as np

def one_hot_encode(x, n_classes):
    """
    One hot encode a list of sample labels. Return a one-hot encoded vector for each label.
    : x: List of sample Labels
    : return: Numpy array of one-hot encoded labels
     """
    return np.eye(n_classes)[x]

def main():
    list = [0,1,2,3,4,3,2,1,0]
    n_classes = 5
    one_hot_list = one_hot_encode(list, n_classes)
    print(one_hot_list)

if __name__ == "__main__":
    main()

结果

D:\Desktop>python test.py
[[ 1.  0.  0.  0.  0.]
 [ 0.  1.  0.  0.  0.]
 [ 0.  0.  1.  0.  0.]
 [ 0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  1.]
 [ 0.  0.  0.  1.  0.]
 [ 0.  0.  1.  0.  0.]
 [ 0.  1.  0.  0.  0.]
 [ 1.  0.  0.  0.  0.]]
于 2017-03-18T21:00:54.583 回答
8

pandas 具有内置函数“get_dummies”来获取该特定列的一个热编码。

一热编码的一行代码:

df=pd.concat([df,pd.get_dummies(df['column name'],prefix='column name')],axis=1).drop(['column name'],axis=1)
于 2018-09-13T04:36:04.597 回答
4

这是使用DictVectorizerPandasDataFrame.to_dict('records')方法的解决方案。

>>> import pandas as pd
>>> X = pd.DataFrame({'income': [100000,110000,90000,30000,14000,50000],
                      'country':['US', 'CAN', 'US', 'CAN', 'MEX', 'US'],
                      'race':['White', 'Black', 'Latino', 'White', 'White', 'Black']
                     })

>>> from sklearn.feature_extraction import DictVectorizer
>>> v = DictVectorizer()
>>> qualitative_features = ['country','race']
>>> X_qual = v.fit_transform(X[qualitative_features].to_dict('records'))
>>> v.vocabulary_
{'country=CAN': 0,
 'country=MEX': 1,
 'country=US': 2,
 'race=Black': 3,
 'race=Latino': 4,
 'race=White': 5}

>>> X_qual.toarray()
array([[ 0.,  0.,  1.,  0.,  0.,  1.],
       [ 1.,  0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  1.,  0.],
       [ 1.,  0.,  0.,  0.,  0.,  1.],
       [ 0.,  1.,  0.,  0.,  0.,  1.],
       [ 0.,  0.,  1.,  1.,  0.,  0.]])
于 2016-09-06T12:24:08.737 回答
3

One-hot 编码需要的不仅仅是将值转换为指示变量。通常,ML 过程需要您多次将此编码应用于验证或测试数据集,并将您构建的模型应用于实时观察数据。您应该存储用于构建模型的映射(转换)。一个好的解决方案是使用DictVectorizeror LabelEncoder( 后跟get_dummies. 这是您可以使用的函数:

def oneHotEncode2(df, le_dict = {}):
    if not le_dict:
        columnsToEncode = list(df.select_dtypes(include=['category','object']))
        train = True;
    else:
        columnsToEncode = le_dict.keys()   
        train = False;

    for feature in columnsToEncode:
        if train:
            le_dict[feature] = LabelEncoder()
        try:
            if train:
                df[feature] = le_dict[feature].fit_transform(df[feature])
            else:
                df[feature] = le_dict[feature].transform(df[feature])

            df = pd.concat([df, 
                              pd.get_dummies(df[feature]).rename(columns=lambda x: feature + '_' + str(x))], axis=1)
            df = df.drop(feature, axis=1)
        except:
            print('Error encoding '+feature)
            #df[feature]  = df[feature].convert_objects(convert_numeric='force')
            df[feature]  = df[feature].apply(pd.to_numeric, errors='coerce')
    return (df, le_dict)

这适用于 pandas 数据框,并且对于它创建的数据框的每一列并返回一个映射。所以你会这样称呼它:

train_data, le_dict = oneHotEncode2(train_data)

然后在测试数据上,通过传递从训练返回的字典进行调用:

test_data, _ = oneHotEncode2(test_data, le_dict)

一种等效的方法是使用DictVectorizer. 我的博客上有一篇相关的文章。我在这里提到它,因为它提供了这种方法背后的一些推理,而不是简单地使用 get_dummies帖子 (披露:这是我自己的博客)。

于 2017-05-12T12:37:20.657 回答
3

您可以将数据传递给 catboost 分类器而无需​​编码。Catboost 通过执行 one-hot 和目标扩展均值编码来处理分类变量本身。

于 2019-02-28T13:53:20.873 回答
3

您也可以执行以下操作。请注意以下内容,您不必使用pd.concat.

import pandas as pd 
# intialise data of lists. 
data = {'Color':['Red', 'Yellow', 'Red', 'Yellow'], 'Length':[20.1, 21.1, 19.1, 18.1],
       'Group':[1,2,1,2]} 

# Create DataFrame 
df = pd.DataFrame(data) 

for _c in df.select_dtypes(include=['object']).columns:
    print(_c)
    df[_c]  = pd.Categorical(df[_c])
df_transformed = pd.get_dummies(df)
df_transformed

您还可以将显式列更改为分类列。例如,在这里我正在更改ColorGroup

import pandas as pd 
# intialise data of lists. 
data = {'Color':['Red', 'Yellow', 'Red', 'Yellow'], 'Length':[20.1, 21.1, 19.1, 18.1],
       'Group':[1,2,1,2]} 

# Create DataFrame 
df = pd.DataFrame(data) 
columns_to_change = list(df.select_dtypes(include=['object']).columns)
columns_to_change.append('Group')
for _c in columns_to_change:
    print(_c)
    df[_c]  = pd.Categorical(df[_c])
df_transformed = pd.get_dummies(df)
df_transformed
于 2019-08-30T04:18:37.300 回答
2

我知道我参加这个聚会迟到了,但是以自动方式对数据帧进行热编码的最简单方法是使用此功能:

def hot_encode(df):
    obj_df = df.select_dtypes(include=['object'])
    return pd.get_dummies(df, columns=obj_df.columns).values
于 2018-09-25T23:33:45.163 回答
1

这对我有用:

pandas.factorize( ['B', 'C', 'D', 'B'] )[0]

输出:

[0, 1, 2, 0]
于 2018-12-06T16:24:18.140 回答
1

我在我的声学模型中使用了这个:可能这对你的模型有帮助。

def one_hot_encoding(x, n_out):
    x = x.astype(int)  
    shape = x.shape
    x = x.flatten()
    N = len(x)
    x_categ = np.zeros((N,n_out))
    x_categ[np.arange(N), x] = 1
    return x_categ.reshape((shape)+(n_out,))
于 2018-06-12T18:41:12.040 回答
1

简答

这是一个在不使用 numpy、pandas 或其他包的情况下进行one-hot-encoding 的函数。它需要一个整数、布尔值或字符串(可能还有其他类型)的列表。

import typing


def one_hot_encode(items: list) -> typing.List[list]:
    results = []
    # find the unique items (we want to unique items b/c duplicate items will have the same encoding)
    unique_items = list(set(items))
    # sort the unique items
    sorted_items = sorted(unique_items)
    # find how long the list of each item should be
    max_index = len(unique_items)

    for item in items:
        # create a list of zeros the appropriate length
        one_hot_encoded_result = [0 for i in range(0, max_index)]
        # find the index of the item
        one_hot_index = sorted_items.index(item)
        # change the zero at the index from the previous line to a one
        one_hot_encoded_result[one_hot_index] = 1
        # add the result
        results.append(one_hot_encoded_result)

    return results

例子:

one_hot_encode([2, 1, 1, 2, 5, 3])

# [[0, 1, 0, 0],
#  [1, 0, 0, 0],
#  [1, 0, 0, 0],
#  [0, 1, 0, 0],
#  [0, 0, 0, 1],
#  [0, 0, 1, 0]]
one_hot_encode([True, False, True])

# [[0, 1], [1, 0], [0, 1]]
one_hot_encode(['a', 'b', 'c', 'a', 'e'])

# [[1, 0, 0, 0], [0, 1, 0, 0], [0, 0, 1, 0], [1, 0, 0, 0], [0, 0, 0, 1]]

长(呃)答案

我知道这个问题已经有很多答案了,但我注意到了两件事。首先,大多数答案都使用像 numpy 和/或 pandas 这样的包。这是一件好事。如果您正在编写生产代码,您可能应该使用像 numpy/pandas 包中提供的健壮、快速的算法。但是,为了教育起见,我认为应该有人提供一个具有透明算法的答案,而不仅仅是别人算法的实现。其次,我注意到许多答案没有提供单热编码的稳健实现,因为它们不满足以下要求之一。以下是有用、准确和健壮的 one-hot 编码功能的一些要求(如我所见):

one-hot 编码函数必须:

  • 处理各种类型的列表(例如整数、字符串、浮点数等)作为输入
  • 处理具有重复项的输入列表
  • 返回对应于输入的列表列表(以相同的顺序)
  • 返回列表列表,其中每个列表尽可能短

我测试了这个问题的许多答案,其中大多数都未能满足上述要求之一。

于 2020-02-05T02:04:17.687 回答
0

让我们假设在 10 个变量中,您的数据框中有 3 个分类变量,分别命名为 cname1、cname2 和 cname3。然后以下代码将自动在新数据帧中创建一个热编码变量。

import category_encoders as ce
encoder_var=ce.OneHotEncoder(cols=['cname1','cname2','cname3'],handle_unknown='return_nan',return_df=True,use_cat_names=True)
new_df = encoder_var.fit_transform(old_df)
于 2021-10-19T11:00:57.697 回答
0

扩展@Martin Thoma 的答案

def one_hot_encode(y):
    """Convert an iterable of indices to one-hot encoded labels."""
    y = y.flatten() # Sometimes not flattened vector is passed e.g (118,1) in these cases
    # the function ends up creating a tensor e.g. (118, 2, 1). flatten removes this issue
    nb_classes = len(np.unique(y)) # get the number of unique classes
    standardised_labels = dict(zip(np.unique(y), np.arange(nb_classes))) # get the class labels as a dictionary
    # which then is standardised. E.g imagine class labels are (4,7,9) if a vector of y containing 4,7 and 9 is
    # directly passed then np.eye(nb_classes)[4] or 7,9 throws an out of index error.
    # standardised labels fixes this issue by returning a dictionary;
    # standardised_labels = {4:0, 7:1, 9:2}. The values of the dictionary are mapped to keys in y array.
    # standardised_labels also removes the error that is raised if the labels are floats. E.g. 1.0; element
    # cannot be called by an integer index e.g y[1.0] - throws an index error.
    targets = np.vectorize(standardised_labels.get)(y) # map the dictionary values to array.
    return np.eye(nb_classes)[targets]
于 2019-12-29T12:36:04.343 回答
0

尝试这个:

!pip install category_encoders
import category_encoders as ce

categorical_columns = [...the list of names of the columns you want to one-hot-encode ...]
encoder = ce.OneHotEncoder(cols=categorical_columns, use_cat_names=True)
df_train_encoded = encoder.fit_transform(df_train_small)

df_encoded.head()

生成的数据帧df_train_encoded与原始数据帧相同,但分类特征现在已替换为其单热编码版本。

更多信息在category_encoders 这里

于 2020-03-05T10:03:35.143 回答
0

为了补充其他问题,让我提供一下我是如何使用 Numpy 使用 Python 2.0 函数完成的:

def one_hot(y_):
    # Function to encode output labels from number indexes 
    # e.g.: [[5], [0], [3]] --> [[0, 0, 0, 0, 0, 1], [1, 0, 0, 0, 0, 0], [0, 0, 0, 1, 0, 0]]

    y_ = y_.reshape(len(y_))
    n_values = np.max(y_) + 1
    return np.eye(n_values)[np.array(y_, dtype=np.int32)]  # Returns FLOATS

例如,如果您使用小批量,则可以对这条线n_values = np.max(y_) + 1进行硬编码,以便您使用大量的神经元。

使用此功能的演示项目/教程: https ://github.com/guillaume-chevalier/LSTM-Human-Activity-Recognition

于 2017-03-28T00:04:56.050 回答
0

它可以而且应该很简单:

class OneHotEncoder:
    def __init__(self,optionKeys):
        length=len(optionKeys)
        self.__dict__={optionKeys[j]:[0 if i!=j else 1 for i in range(length)] for j in range(length)}

用法 :

ohe=OneHotEncoder(["A","B","C","D"])
print(ohe.A)
print(ohe.D)
于 2019-05-24T05:07:09.803 回答
-1

在这里,我尝试了这种方法:

import numpy as np
#converting to one_hot





def one_hot_encoder(value, datal):

    datal[value] = 1

    return datal


def _one_hot_values(labels_data):
    encoded = [0] * len(labels_data)

    for j, i in enumerate(labels_data):
        max_value = [0] * (np.max(labels_data) + 1)

        encoded[j] = one_hot_encoder(i, max_value)

    return np.array(encoded)
于 2018-06-02T23:53:26.847 回答