问题标签 [one-hot-encoding]

考虑以下数据：

我想使用 OHE 功能排除文本列。

为什么以下不起作用？

它在文档中说：

我正在使用面具，但它仍然试图转换为浮动。

即使使用

同样的错误。

在“索引数组”的情况下：

以下代码工作正常，但使用 eval() 我认为效率低下。有没有更好的方法来实现同样的目标？

输出

我想为一组 DNA 序列生成一个热编码。例如，序列 ACGTCCA 可以以转置方式表示如下。但是下面的代码将以水平方式生成一种热编码，我更喜欢垂直形式的编码。谁能帮我？

示例代码：

但是，代码给了我输出：

预期输出：

如果我在这里在 logits 上引入一种热编码，程序稍后会给出错误，尽管两者都返回相同的维度。如果我注释掉这一行，程序不会给出任何错误。

其余代码：

---> 23 毕业生,norm = tf.clip_by_global_norm(tf.gradients(cost,tvars),5)

ValueError：将参数 'values' 列出到 'Pack' Op，长度 0 比最小长度 1 短。

I know it can be easily realized using the package pandas, but because it is too sparse and large (170,000 x 5000), and at the end I need to use sklearn to deal with the data again, I'm wondering if there is a way to do with sklearn. I tried the one hot encoder, but got stuck to associate dummies with the 'id'.

Update:

Now I'm here, and the 'id' is lost, how to do aggregation then?

我正在尝试对一个简单的数据集执行一次热编码。

使用 Scikit-Learn 预处理这些数据的最佳方法是什么？

乍一看，你会看 Scikit-Learn 的OneHotEncoder。但是一个热门的编码器不支持字符串作为特征；它只离散整数。

因此，您将使用LabelEncoder，它将字符串编码为整数。但是随后您必须将标签编码器应用到每一列并存储这些标签编码器中的每一个（以及应用它们的列）。这感觉非常笨拙。

那么，在 Scikit-Learn 中最好的方法是什么？

请不要建议pandas.get_dummies。这就是我现在通常使用的一种热编码。但是，它的局限性在于您无法单独编码您的训练/测试集。

我正在对 sklearn 中的一些功能进行矢量化处理，但遇到了问题。如果您的数据可以被编码为每个项目的一个字典键，则 DictVectorizer 效果很好。如果您的项目可以具有同一列的两个或多个值怎么办？例如， DictVectorizer 在这样的项目上工作正常：

但是像这样的东西，每列有多个值呢？

one-hot-encoding 的策略仍然可以应用，你只需要两个 a 列…… a=b 和 a=c。据我所知，不存在这样的矢量化器！在这种情况下应该怎么做？我需要创建自己的 MultiDictVectorizer 吗？

在发布之前，我在这里的一篇博文中写过这个。

我有一个数据集，其中我的所有数据都是分类的，我想使用一种热编码进行进一步分析。

我想解决的主要问题：

• 一些单元格在一个单元格中包含许多文本（下面将举例说明）。
• 一些数值需要更改为因子以进行进一步处理。

具有 3 个标题的数据年龄、信息和目标

我想为上面显示的所有这些变量创建一个热编码，所以它看起来像下面这样：

我检查过的一些关于 SO 的问题是this和this。

在 Python 中，假设我有一个名为 size 的数据框列，如下所示：

字母 D 到 G 代表不同的尺寸，例如，从 Small 到 X-Large。我能做的是用数字表示它们，如下所示：

但是，由于这不是连续数据，这可能会导致我将来进行的其他分析出现问题。因此，我的另一个想法是将其分成 4 列，其中一个实例的大小为 1，否则为 0。它应该如下所示：

我听说过 Python 中称为 OneHotEncoder 的东西，它对这类场景很有用。我将如何有效地使用它来解决这个问题，或者，我还有什么其他方法可以解决这个问题？

为什么我对不同的词得到相同的结果？