问题标签 [one-hot-encoding]

二元相关性是一种众所周知的处理多标签分类问题的技术，我们为特征的每个可能值训练一个二元分类器：

http://link.springer.com/article/10.1007%2Fs10994-011-5256-5

另一方面，一个热编码器 (OHE) 常用于自然语言处理中，用于对将多个值作为二进制向量的分类特征进行编码：

http://cs224d.stanford.edu/lecture_notes/LectureNotes1.pdf

我们可以认为这两个概念是同一个概念吗？还是有技术差异？

为了离散化分类特征，我使用了 LabelEncoder 和 OneHotEncoder。我知道 LabelEncoder 按字母顺序映射数据，但是 OneHotEncoder 是如何映射数据的呢？

我有一个 pandas 数据框，dataFeat有 5 个不同的列和 4 个可能的标签，如上所示。 dataFeat = data[['Feat1', 'Feat2', 'Feat3', 'Feat4', 'Feat5']]

我申请一个labelencoder这样的，

这就是 LabelEncoder 对标签进行编码的方式

然后我像这样应用 OneHotEncoder

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

我对形状有点困惑dataFeatY- 它不应该也是 95,5 吗？

按照下面的 MhFarahani 回答，我这样做是为了查看标签是如何映射的

这是否意味着标签是这样映射的，还是每列都不同？（这将解释形状为 94,20）

在 Python 2.7（miniconda 解释器）中使用。对下面的例子感到困惑OneHotEncoder，困惑为什么enc.n_values_输出是[2, 3, 4]？如果有人可以帮助澄清，那就太好了。

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

问候，林

LabelEncoder并且OneHotEncoder适用于 numpy 数组，它将字符串转换为0,1基于向量的向量。

我的问题是，是否有一个简洁的 API 可以将 pandas 数据框的一列转换为0, 1向量？我展示了我的代码和熊猫数据框的原始内容123.csv，假设我想0, 1对列进行二进制处理c_a，c_b, c_c， 3 列中的每一列都是独立的，我想对0, 1单独独立的列进行二进制处理。

代码，

123.csv 内容，

numpy 的标签编码器和 OneHotEncoder 示例，

编辑 1，试过get_dummies了，结果似乎是0.0和1.0（似乎float），有没有办法直接转换成整数？

我试图使用 sklearn 中的 LabelEncoder 和 OneHotEncoder 对数据集进行 1-hot-encoding，方法是首先对每列进行 LabelEncoding，然后在列上执行 OneHotEncoding。注意：我故意将两列的数据帧的第 1 行设为 nan，这样 LabelEncoder 就不会丢失。

这是代码：

这是代码的输出（请注意，在标签编码器的打印类中，有 nan）：

我有一个数据框X，它有两个分类特征和 41 个数字特征。所以X总共有 43 个功能。

现在，我想将分类特征转换为数值级别，以便它们可以在RandomForest分类器中使用。

我已经完成了以下操作，其中0并1指出了分类特征的位置：

然后，我连接这两个数据帧：

现在，Xnew有 63 个特征（F1有 18 个和F24 个特征，其余 41 个来自X）

这个对吗？有没有更好的方法来做同样的事情？我是否需要删除第一列以避免共线性F1？F2

一些特征是数字的，例如“毕业率”，而其他特征是分类的，例如学校的名称。我在分类特征上使用标签编码器将它们转换为整数。

我现在有一个带有浮点数和整数的数据框，分别表示数字特征和分类特征（用标签编码器转换）。

我不确定如何继续学习，我需要使用一种热编码吗？如果是这样，我该怎么做？根据我目前的理解，我不能简单地将数据帧传递给 sklearn OneHotEncoder，因为有浮点数。我是否只是将标签编码器应用于所有功能来解决问题？

我的数据框中的示例数据。OPEID 和 opeid6 使用标签编码器进行转换

非常感谢！

我有标记的数据，我需要应用单热编码：'786.2', 'ICD-9-CM|786.2', 'ICD-9-CM', '786.2b|V13.02', 'V13.02', '279.12','ICD-9-CM|V42.81'是标签。|意味着文档同时有 2 个标签。所以我写了这样的代码：

结果：

但是，现在我只希望每个文档有 1 个标签：

'ICD-9-CM|786.2'是'ICD-9-CM'，

'ICD-9-CM|V42.81|'是'ICD-9-CM'。

我怎么能这样分开get_dummies？

我的数据框中有 6 列。其中 2 个有大约 3K 的唯一值。当我get_dummies()在整个数据框或仅在其中一个 2 列上使用时，返回的是具有 3k 值的完全相同的列。get_dummies无法模拟更大的列。有些列确实会进行一次热编码，但大的则不会。

我想知道 get_dummies 是否仅适用于基数较小的集合。

我相信这也在这里讨论过： Need help with python(pandas) script

我想了解 Spark 的 OneHotEncoder 默认删除最后一个类别的原因。

例如：

默认情况下，OneHotEncoder 将丢弃最后一个类别：

当然，这种行为是可以改变的：

问题：：

• 在什么情况下需要默认行为？
• 盲目调用可能会忽略哪些问题setDropLast(False)？
• 作者在文档中的以下陈述是什么意思？

默认情况下不包括最后一个类别（可通过 dropLast 配置），因为它使向量条目总和为 1，因此线性相关。